近十年来我国民航业取得了飞速发展,民航的空中交通流量随之迅速增加,加之日益复杂的民航运输环境,对空中交通管制员（以下简称管制员）提出了更高的要求,使管制员面临的工作压力逐渐增大。面对日益复杂的航空环境和逐渐增长的工作压力,在进行管制工作的过程中,管制员更有可能出现一些威胁航空安全的人为因素。有研究表明,当前大部分不安全事件的罪魁祸首都是管制遗漏,这种雷达监视过程中的普遍现象对国内外空管系统安全运行都带来了很大的安全隐患。管制雷达监视本质上是一个复杂的人机交互过程,视觉是管制员对飞行器的状态进行监控的主要方式,对视觉信息进行适当的选择和处理是管制员的一种必不可少的认知功能。眼动行为数据在人机工效学方面的大量定性和定量研究表明,通过作业人员的眼动轨迹形态、眨眼频率、眼跳速度、瞳孔直径等眼动特征评估其专注程度、疲劳度、认知负荷等工作状态是一种行之有效的方法。同时,研究发现,管制员的警觉性不足是导致管制遗漏的重要原因之一,因此通过分析管制员的眼动特征,对管制员的警觉性进行判断,进而分析其是否可能出现管制遗漏,非常值得探索的一种思路。如何借助管制员的眼动特征,对其警觉性进行更为准确的判断,是需要重点思考的一个问题。为了通过管制员的眼动特征来更好地分析其警觉性,本文提出了一种将管制员的眼动特征分为时序相关眼动特征和时序无关眼动特征两种,并通过CNN-LSTM神经网络模型来对其警觉性进行判断的方法。即按照是否时序相关,将管制员的眼动特征分为时序相关和时序无关两种类型的眼动特征,并分别将其作为输入数据,通过CNN-LSTM神经网络进行处理从而得到两种类型的特征表示。继而整合两种类型的特征表示,并最终通过分类器进行分类,即对于每个被试,判断其是否出现了警觉性不足的情况。同时为了验证本文方法的有效性,使用雷达模拟管制软件和德国SMI头戴式眼动仪等仪器开展了雷达管制模拟实验,采集被试在雷达管制模拟实验中的管制行为和眼动数据。将采集到的数据的70%作为训练集,30%的数据作为测试集,判断被试是否出现了警觉性不足的情况,最后得到算法的识别准确率。在数据集上开展了多组对比实验,同时比较不同特征、模型和预测方法下的性能,分析性能优劣。本文的结论如下:（1）常用的传统算法二元逻辑回归对警觉性不足事件的识别准确率为71.3%,CNN-LSTM模型对警觉性不足事件的识别准确率为79.2%。这是因为在使用二元逻辑回归方法进行预测时,只是利用了管制员的基础眼动特征;而CNN-LSTM神经网络可以提取更深层次的眼动特征,从而有效提高识别结果的准确性。（2）相对于传统的二元逻辑回归预测方法,仅使用CNN模型和LSTM模型都取得较好的效果,但是相对于二者结合的CNN-LSTM模型,仅使用CNN模型和LSTM模型都取得的效果相对较差。分析认为,这是因为眼动信号在时间上和空间上都具有一定的连续性。CNN部分能够对特征间的时空相关性进行一定程度的提取,但是擅于处理时间序列的LSTM部分对于时序相关眼动特征的处理效果更佳,因此将二者结合后,可以更好地提取眼动特征间的时空相关性,取得更加理想的识别效果。（3）对于时序相关眼动特征,在将CNN模块输出的深层眼动特征输入LSTM模块之前,将其与原始特征进行拼接后再进行输入,相比未经过特征拼接而直接将CNN模块输出的深层眼动特征输入LSTM模块,特征拼接后的识别效果更好,即经过拼接后的眼动特征对于警觉性不足情况的识别准确性更高,这是由于拼接后的特征既具备原始的眼动信息,又具有更加深层次的眼动信息,因此在预测被试的状态时,效果更加良好。