随着机器视觉、人工智能等领域的推进，IT行业正引来新一轮的浪潮。其中，人脸检测和人脸识别等技术经过多年的发展，现已成功地融入到各类智能应用程序中，如刷脸支付系统、人脸识别门禁系统等。而人眼作为人脸中最主要的特征之一，对其的检测和状态分析与人脸检测等技术关系紧密。对其的检测及状态分析不仅能进一步充分利用人脸检测和识别技术，还为其他相关应用开辟途径。当前，在智能交通系统、智能图像处理应用程序、智能终端和穿戴式设备以及智能医疗等领域中，人眼检测及状态分析技术正崭露头角。　　为此，本文对图像中的人眼检测和状态分析技术做了一些研究和讨论，并给出了参考方案。首先，从基于一般特征和基于统计特征两大主要方向对当前的研究现状做了区分。基于此，以各个方向中相对常用的方法为线索阐述了不同研究方向的研究进展。之后，从人脸检测，人眼检测和人眼状态分析三个方面入手展开工作：　　1）人脸检测方面，在对比分析目前人脸检测方法的基础上，采用鲁棒性相对较好的Adaboost级联分类器作为人脸检测的主要算法。在对该算法进行一定深度的学习和研究的基础上，完成了人脸的训练及检测过程。同时，对人脸检测结果做了相关分析说明。　　2）人眼检测方面，由于图像中的眉毛和眼睛的特征相似度较高，特别是闭眼情况，当眉毛和眼睛过近的时候，容易导致人眼检测的不准确。因此，本文提出了一种基于征点分析、投影函数和OTSU方法的自适应眉眼分离算法。同时，结合改进的径向对称变换实现人眼的准确定位。实验结果表明在参考精度范围内，所提算法能够对JAFEE和BioID两大人脸数据的检测可以分别实现100％和97.83%的准确率。所提算法在不依赖训练样本的情况下，能够较好地应对复杂情形。　　3）人眼状态分析方面，借鉴人脸识别中经典的特征脸和Fisher脸方法，将人眼状态分析转化为“类人脸识别”问题，利用特征眼和Fisher眼的方法对人眼状态进行分析。测试对比发现特征眼方法相比Fisher眼方法在检测率方面比Fisher眼更有优势，但是二者都不能均衡且有效地检测出睁眼和闭眼状态。因此，本文在分析人眼状态特征基础上，进一步提出了基于HOG（基于梯度方向直方图）的特征眼方法用于人眼状态的分析。在CWE人脸数据库上1000张睁眼图片和1000张闭眼图片的测试中，所提算法能够针对睁眼图片和闭眼图片分别实现85.90%和88.48%的检测率，同时，一定程度地减小了原有特征眼的计算复杂度。因此，所提算法是一种相对快捷且有效的人眼状态分析手段。