在近些年来的脑科学的研究当中,关于大脑疲劳形成在背后所蕴藏的神经科学机理,一直是当前的热点研究方向之一,由于驾驶疲劳所导致的交通事故伤亡,引起了人们对驾驶疲劳检测的高度重视,本文针对以往疲劳检测模型中的不足,提出了一种新的基于注意力的多尺度卷积神经网络,即动态图卷积网络（AMCNN-DGCN）模型,该模型能够很好的发挥图卷积对非结构化数据提取特征的能力,并结合动态调整的邻接矩阵,获得更加优异的分类性能。此外,为了进一步探究精神疲劳以及在任务过程中加入中途休息对大脑的影响,本文采用了动态脑功能网络（Functional Connectivity,FC）分析的方法,对实验前后的休息状态进行了分析,并最终得到相关图论的指标,本文的主要内容如下:（1）为了解决传统分类模型对特征选择的高度依赖性,和减轻在手工选取特征的繁琐,对于驾驶疲劳中的检测任务,本文提出的AMCNN-DGCN模型最终在驾驶疲劳数据集上,通过5折交叉法得到的平均正确率为95.65%,标准差为2.10%,该结果与传统提取特征的方法,以及目前基于深度模型的优异脑电分类模型进行了对比,结果发现AMCNN-DGCN模型的分类性能均优于其他模型,此外与静态预先计算的相位延迟指数（Phase Lag Index,PLI）作为邻接矩阵相比,选择动态可学习的邻接矩阵可在最终的结果中获得更加优异的性能表现,最终将训练得到的邻接矩阵在每个通道上进行标准化,并发现在额叶和枕叶的通道具有较高的强度,这也从另一个侧面反映了,额叶和枕叶区域在驾驶疲劳任务中,呈现更高强度的激活以及重要性。（2）为了探究在任务过程中,加入中途休息对大脑精神疲劳恢复的影响,本文设计了两组视觉Time on Task（To T）实验,这两组实验分别为有中途休息实验和无中途休息实验,通过对任务前后的休息态EEG信号,进而构建动态脑功能网络,最终得到时域全局效率和时域局部效率等图论指标,对于这两个指标,采用双因素重复测量方差分析进行统计检验。在本文的研究中发现,任务时间效应（Time on Task Effect）与任务时间（Time on Task）密切相关。为了揭示大脑功能连接在长时间范围内的变化,本文建立了一个由三个频段（Theta,Alpha,Beta）组成的动态脑功能网络。从结果中得出,与任务前休息状态相比,任务后休息状态的时域全局效率显著降低,而任务后休息状态的时域局部效率显著提高。这些结果表明,时域局部效率与任务持续时间呈正相关。此外,本文还使用双向重复测量方差分析来评估各通道的时域临近中心度。总的来说,在三个频带上存在显著的差异（包括块效应、实验阶段效应和交互作用效应）,这些通道主要分布在额叶和枕叶。总的来说,这项工作是基于脑电的静态脑功能网络疲劳分析的扩展,并强调了大脑的局部效率在疲劳过程中增加,以克服大脑整体效率的下降的观点。