近年来，虚拟现实（VR）产业的规模日益增长。但在VR体验过程中，受试者常会出现头晕、恶心和眼睛模糊等不适症状。该症状被称为VR晕动症。实现VR晕动症的水平评估能够有力促进VR产业发展。本文提出一种基于标准恶心评分的主观VR晕动症水平评估方法，并将其与传统基于晕动症敏感性调查表（MSSQ）和晕动症评估调查表（MSAQ）的主观评估方法进行了对比。同时，研究了VR场景对受试者VR晕动症多种症状的影响。在此基础上，提出一种基于δ、θ、α和β节律小波包能量占比的脑电信号（EEG）信号特征提取方法，并结合K最近邻（KNN）、具有多项式和径向基核函数（RBF-SVM）的支持向量机实现了利用EEG信号识别VR晕动症水平。
　　首先，利用虚幻引擎4设计具有不同角色移动速度、环境内容和移动路况种类的两种VR场景。通过实验收集26位受试者的体验时间、体验过程中的标准恶心评分和体验前后的反应时间差值。同时，利用传统MSSQ和MSAQ方法评估受试者的VR晕动症水平。
　　接着，提出一种基于标准恶心评分的VR晕动症水平评估方法。利用独立双样本t检验分析不同VR场景对受试者的体验时间、标准恶心评分和反应时间差值是否具有显著影响。利用Pearson积差和Spearman相关系数研究受试者的体验时间、标准恶心评分、反应时间差异、MSSQ总评分、肠胃不适评分、眼部不适评分、方向障碍评分和MSAQ总评分之间的联系。
　　然后，在新提出的标准恶心评分的VR晕动症水平评估方法的基础上，利用Openbci系统收集24位受试者在正常、中度和重度VR晕动症时的EEG信号。
　　最后，利用EEG信号识别VR晕动症水平。首先，利用椭圆滤波器对原始EEG信号进行滤波。接着，提出一种新的基于小波包变换的δ、θ、α和β节律能量比值的脑电信号特征提取方法。然后，结合KNN、多项式-SVM和RBF-SVM完成利用EEG信号识别二级和三级VR晕动症水平。最后，对分类的结果进行评价和对比。
　　实验结果表明，对比传统方法，新提出的基于标准恶心评分的VR晕动症水平评估方法具有对受试者回馈要求小、不易受环境和记忆时滞性影响的特点。对比其他方法，新提出的节律小波包能量占比特征提取方法，结合KNN、多项式-SVM和RBF-SVM，对单个受试者和多个受试者的VR晕动症水平都具有较高的识别准确率，分别可达98.25%和79.25%。