在现代科技的飞速发展下,人-机系统中操作人员的脑力劳动逐渐增加,长时间的脑力消耗会使得操作人员的脑力负荷较高。已有研究显示,脑力负荷过高会加速操作人员的疲劳,从而造成人因安全事故的发生并产生不良的社会影响;而脑力负荷较低则会导致资源的虚耗及作业效绩的不稳定。此外,由于脑电信号能够准确地反映出脑力负荷的变化,所以,准确提取并筛选脑电信号的特征和对脑力负荷进行有效的分类具有十分重要的意义。本文主要工作如下:（1）针对大多数脑力负荷分类方法只是简单地利用脑电信号的四种节律（（?）节律）这一问题,本文利用基尼不纯度进行特征选择,找出了在不同脑力负荷下敏感性最高的脑电节律是β节律,并结合时域特征进行了脑力负荷分类实验。实验结果表明,利用β节律的能量特征和方差能有效地对脑力负荷进行分类,证明了该方法的可行性,减少了特征冗余。（2）针对脑电采集设备上电极通道过多且多数通道存在信息冗余和噪声干扰,降低了分类模型的效率这一问题,提出了一种基于戴维森丁堡指数（DB指数）的脑电通道选择方法,通过对不同脑力负荷下每个电极通道的脑电特征进行DB指数的计算与排序,统计所有数据所取得的结果,得到最优通道集合,减少无效通道带来的噪声和无关信息。通过对比利用所选的最优通道与利用所有通道进行脑力负荷分类的结果,发现利用最优通道集合能取得较好的分类准确率,说明了本文提出方法的可行性。（3）由于脑电信号是从多通道电极记录的混合信号,为了挖掘脑电信号与脑力负荷之间的联系,更准确地提取出信号的特征,本文利用快速独立分量分析（Fast ICA）算法得到纯净的脑电独立分量,并对分离出的纯净的独立分量进行特征提取和分类。通过比较脑力负荷分类实验的结果,发现对脑电独立分量进行特征提取后所取得的分类准确率优于对混合脑电信号进行特征提取所获得的结果,证明了利用脑电独立分量进行脑力负荷分类的准确性和可靠性。（4）搭建了基于SVM的脑力负荷分类模型,利用多维特征建立了区分低负荷和高负荷状态的二分类模型。为了选取合适的核函数,分别利用线性核函数和高斯核函数进行了分类模型的构建,并利用网格搜索法选择最优参数,引入K折交叉验证法抑制模型过拟合。（5）针对跨时间的数据不一定具有相同的分布,需要收集新的数据重新构建新的分类模型这一问题,本文提出利用迁移成分分析（TCA）算法减小数据之间分布的差异。通过对比直接进行脑力负荷分类及利用TCA进行分类的分类精度可知,TCA算法可以减少不同时期获得的脑电数据之间数据分布的距离,提高分类模型的性能。