在航空领域中,现多使用触屏或操纵杆进行多功能显示器（MFD）操控,但由于飞行时操作者双手动作有限,视线交互技术被视为一种前瞻性的输入方式。然而仅使用视线交互存在“米达斯接触”问题即无法有效判断视线是有意还是无意,所以一般将多种交互方式结合使用。其中,通过运动想象（MI）产生的脑电信号与眼动数据相结合方式较为常见。但简单的结合有一定的局限性,不能很好的体现用户意图。故本研究以战机MFD交互为研究背景,在多模态交互的基础上,将对操作员所产生的生理信息进行多维度数据融合目标捕获研究,以便计算机能够更加全面地理解用户意图,对目标进行高效的捕获,本文研究主要分为三个方面:1)眼动数据的特征提取与分析对于眼动目标捕获研究,利用Res Net50基础上引入注意力机制ECANet,建立视线落点估计回归模型,该模型在自采集的数据集中平均误差精度可达22.84像素。通过视线落点与MFD按钮目标位置匹配进行指向,并提取特征使用SVM进行了初步的目标捕获分析,在测试集上平均识别率能达到77.29%。2)脑电数据的特征提取与分析本文采用一种基于运动想象脑电信号（MI-EEG）的目标捕获意图识别方法,对数据同步自采集实验中以图片引导的方式采集的运动想象脑电信号进行预处理与可视化特征分析。最终以时序脑电信号作为输入,使用经典的卷积神经网络Shallow Conv Net模型实现对MFD上按钮目标的“确认捕获”操作意图分类,在测试集上平均识别率能达到90.95%。3)多维度数据融合目标捕获模型根据上文对数据的初步分析,本文通过数据层、特征层、决策层三种不同的数据融合方法对同步自采集实验中的眼动和脑电数据进行了讨论,并主要在特征层和决策层进行了融合分析。在特征层上使用特征拼接方法,平均捕获识别率可达78.82%。在决策层上使用D-S证据理论进行融合,平均捕获识别率可达93.15%。最终采用决策层融合的目标捕获方案可达到较高的目标捕获识别率且目标捕获速度在现有的MFD目标捕获研究中位于前列,为人机交互研究提供一种新的设计思路,从而实现人机之间的高效协同。