Статья посвящена построению и тестированию нейронечеткой модели для определения состояния утомления человека. Классические подходы к оценке состояния утомления человека зачастую основаны на использовании субъективных методов, подверженных влиянию индивидуальных особенностей человека и ситуативных факторов. Это актуализирует необходимость разработки более объективных и точных методов, способных учитывать различные аспекты функционального состояния утомления. В настоящее время популярность в задачах определения утомления человека приобретают нечеткие и нейронечеткие модели. Они позволяют учитывать сложность и неопределенность, присущую процессам, связанным с функциональным состоянием человека. Ключевым преимуществом таких моделей является их способность работать с неточными, неполными и зашумленными данными, которые часто сопровождают процессы, связанные с человеком. Для построения нейронечеткой модели определения функционального состояния утомления человека потребовалось решение следующих задач: подготовки исходных данных для анализа, обучения нечеткой нейронной сети и оценки ее адекватности. В исследовании использован экспериментальный набор данных, полученный методом пупиллометрии у людей, находящихся в одном из двух функциональных состояний: нормальное состояние и состояние утомления. Набор данных содержал файлы, представленные в двух форматах: в виде текста (TXT) и в виде изображения (PNG). Папка «Норма» содержала 236 файлов, а папка «Отклонение» - 216. Текстовые файлы формата TXT представляли собой последовательности значений нормированного размера зрачка через каждые 0,04 секунды. Для формирования нейронечетких моделей в качестве исходных данных выбраны файлы TXT. Для удобства работы все исходные данные из этих файлов загружены в одну Excel-таблицу. На основе данных таблицы рассчитаны значения следующих характеристик зрачка: минимальный и конечный диаметры, амплитуда сужения, скорость сужения и расширения, а также время сужения. Общий объем данных для анализа содержал 452 записи. В качестве среды моделирования выбран авторский программный комплекс, позволяющий обучать нечеткую нейронную сеть. При ее обучении использованы следующие значения параметров: длина хромосомы в генетическом алгоритме - 10, число хромосом - 150, вероятность мутации дочерних хромосом - 10%, число эпох холостой работы - 50, число циклов холостого обучения сети - 2. Точность классификации построенной модели на обучающей выборке данных составила 95,95%, на тестовой выборке - 92,59%. Время обучения модели составило 23 минуты 35 секунд. Анализ полученных результатов свидетельствует об адекватности построенной модели и возможности ее эффективного практического использования.