Existen una variedad de posibles usos para la clasificación de condiciones oculares, incluyendo la detección de cansancio, evaluación de condiciones psicológicas, etc. Debido a su importancia, muchos estudios que utilizan algoritmos típicos de redes neuronales ya han sido publicados en la literatura, con buenos resultados. Las redes neuronales convolucionales (CNNs) se emplean en aplicaciones en tiempo real para lograr dos objetivos: alta precisión y velocidad. Sin embargo, identificar la somnolencia en una etapa temprana mejora significativamente las posibilidades de ser salvado de accidentes. La detección de somnolencia puede ser automatizada utilizando el potencial de la inteligencia artificial (IA), lo que nos permite evaluar más casos en menos tiempo y con un menor costo. Con la ayuda de técnicas modernas de aprendizaje profundo (DL) y procesamiento de imágenes digitales (DIP), en este documento, sugerimos un modelo de CNN para la categorización del estado de los ojos, y lo probamos en tres modelos de CNN (VGG16, VGG19 y 4D). Se diseñó un nuevo modelo de CNN llamado el modelo 4D para detectar la somnolencia basado en el estado de los ojos. Se utilizó el conjunto de datos MRL Eye para entrenar el modelo. Cuando se entrenó con muestras de entrenamiento del mismo conjunto de datos, el modelo 4D tuvo un buen rendimiento (alrededor del 97.53% de precisión para predecir el estado de los ojos en el conjunto de datos de prueba). El modelo 4D superó el rendimiento de dos otros modelos preentrenados (VGG16, VGG19). Este documento explica cómo crear un sistema completo de detección de somnolencia que predice el estado de los ojos de un conductor para determinar aún más el estado somnoliento del conductor y alertar al conductor antes de cualquier amenaza grave para la seguridad vial.