El trabajo fatigante de los controladores de tráfico aéreo amenaza inevitablemente la seguridad del tráfico aéreo. Determinar si los ojos están en un estado abierto o cerrado es actualmente el principal método para detectar la fatiga en los controladores de tráfico aéreo. Aquí se propone un modelo de reconocimiento del estado de los ojos basado en redes neuronales de fusión profunda para determinar el estado de fatiga de los controladores. Este método utiliza estrategias de aprendizaje por transferencia para preentrenar redes neuronales profundas y redes neuronales convolucionales profundas y realiza la fusión de redes en la capa de toma de decisiones. La red fusionada demostró una mejor capacidad para clasificar el conjunto de datos del dominio objetivo. Primero, se utilizó un algoritmo de red neuronal profunda en cascada para realizar la detección de rostros y la posición de los ojos. En segundo lugar, de acuerdo con el mecanismo de selección de ojos, se recortaron las imágenes de los ojos a probar y se pasaron a la red neuronal de fusión profunda para determinar el estado de los ojos. Finalmente, se combinó el indicador PERCLOS para detectar el estado de fatiga del controlador. En los conjuntos de datos ZJU, CEW y ATCE, se compararon la precisión, la puntuación F1 y los valores AUC de diferentes redes, y, en los conjuntos de datos ZJU y CEW, se evaluaron la precisión de reconocimiento y los valores AUC entre diferentes métodos basados en un experimento comparativo. Los resultados experimentales muestran que el modelo de red neuronal de fusión profunda demostró un mejor rendimiento que los otros modelos de red evaluados. Cuando se aplicó al conjunto de datos de ojos de los controladores, la precisión de reconocimiento fue del 98.44%, y la precisión de reconocimiento para el video de prueba fue del 97.30%.