La discriminación de la conciencia situacional (SA) es significativa, permitiendo al piloto mantener el rendimiento de la tarea y garantizar la seguridad del vuelo, especialmente durante tareas de vuelo de alto estrés. Aunque investigaciones anteriores han intentado identificar y clasificar la SA, los modelos de discriminación de SA existentes son predominantemente binarios y dependen de métodos tradicionales de aprendizaje automático con modalidades fisiológicas limitadas. El presente estudio tuvo como objetivo construir un modelo de discriminación de SA de triple clase para pilotos que enfrentan tareas de alto estrés. Para lograr esto, se llevó a cabo un experimento de simulación de vuelo bajo tareas típicas de alto estrés y se utilizaron algoritmos de aprendizaje profundo (perceptrón multicapa (MLP) y el mecanismo de atención). Específicamente, se eligieron modalidades de seguimiento ocular (ET), variabilidad de la frecuencia cardíaca (HRV) y electroencefalografía (EEG) como características de entrada del modelo. Al comparar los modelos unimodales, los resultados indican que la modalidad EEG supera a las modalidades ET y HRV, y la estructura del mecanismo de atención tiene implicaciones ventajosas para el procesamiento de las modalidades EEG. El modelo más superior fusionó las tres modalidades a nivel de decisión, con dos estructuras MLP y una estructura de mecanismo de atención, logrando una precisión del 83.41% y demostrando que el rendimiento del modelo se beneficiaría de la fusión multimodal. Así, la investigación actual estableció un modelo de discriminación de SA de triple clase para pilotos, sentando las bases para la evaluación en tiempo real de la SA en condiciones operativas aéreas de alto estrés y proporcionando una referencia para el diseño de cabinas inteligentes y la asignación dinámica de funciones entre humanos y máquinas.