目前,人体状态识别在工业和学术上都有着广泛的运用。脑电信号（Electroencephalography,EEG）真实反映了个人的状态,由中枢神经产生,人体的生理状态与中枢神经也息息相关,因此通过脑电信号识别具有很强的客观性,并逐渐成为疲劳检测和情绪识别领域中可靠的生物信号之一。基于脑电信号识别人体状态对于驾驶和高空作业等领域具有极为重要的意义,所以脑电信号识别人体状态逐渐成为研究热点。脑电信号是一种极易受到干扰的非平稳生物信号,通过传感器采集到的原始脑电信号夹杂着很多噪声,因此对于脑电的预处理变的极为重要。在传统的人体状态识别中,很多都是使用机器学习或者深度学习作分类器,但是分类器初始参数的设置等因素都会影响分类的效果。传统的研究中,主要是对于多通道脑电信号进行研究,多通道的脑电采集设备不利于佩戴。为了获得更为准确的人体状态识别效果,本文的研究内容如下:（1）本文介绍了基于小波变换（Wavelet Transform,WT）进行脑电信号去噪的方式,但该方式并不能去除眼电伪迹,因此本文提出了一种时频结合的去噪方式,同时去除了信号中的高频噪声和同频眼电伪迹。在疲劳状态识别中,针对随机设置的BP神经网络初始化参数会降低分类准确率的问题,本文提出了将遗传算法（Genetic Algorithm,GA）和BP神经网络整合,构建出GA-BP分类模型,找到最优的神经网络初始化参数,提高了识别的准确率。（2）在情绪状态识别中,本文考虑到卷积神经网络（Convolutional Neural Networks,CNN）自身强大的特征提取能力,以及在图像识别和分类中表现出的优势,提出了通过CNN分类不同状态的脑电频谱图,实现情绪识别。考虑到CNN中Soft Max函数进行分类会导致图像识别泛化能力不足,过拟合等问题,利用支持向量（Support Vector Machine,SVM）代替Soft Max函数,构建出CNN-SVM分类器模型实现对情绪的识别,实现结果显示,CNN-SVM模型的分类效果较单纯的CNN分类效果更好。（3）本文设计出一款便携式疲劳识别系统,并将其作为一个模块运用于智能头盔中,实验结果表明该系统能够准确的对疲劳进行识别。