近年来，随着信息技术的飞速发展，各类操作任务的智能化、信息化程度不断提升，人在操作作业中所承受的脑力负荷程度不断加大。脑力负荷目前已成为人机系统设计中必须考虑的重要课题，相关信息检测技术的研究引起广泛的兴趣和关注。但是，由于实际作业场景中操作任务类型繁多，各种任务之间的特异性存在较大差距，对脑力负荷检测的强泛化应用提出了较高的挑战。为进一步探索不同任务下的脑力负荷检测和识别共性技术，本研究设计了基于语言与空间刺激的Verbal n-back与Spatial n-back两种任务。脑力负荷等级设定为4级，分别为0-back、1-back、2-back、3-back，实验中共采集了17名健康被试的32导脑电数据。为了有效提取不同任务与负荷等级中的特征信息，文中分别从频域、时频域及非线性三个方面，尝试了AR模型、事件相关同步/去同步时频图、样本熵、小波多尺度熵等多种特征提取算法。然后采用支持向量机对上述各任务的脑电特征进行模式识别，得到17名被试的脑力负荷等级平均分类正确率。实验结果表明，不同的任务类型及脑力负荷等级间在AR功率谱值及ERD/ERS时频图中均存在明显的差异性，并且在AR功率谱、样本熵、小波多尺度熵及三特征联合参数四种特征模式识别中，AR功率谱与三特征联合参数的平均分类正确率最高，可达98%以上。在此基础上，为了进一步提高系统性能及分类正确率，本文采用了基于支持向量机的递归特征筛选（SVM-REF）算法对分类器进行了导联优化，与优化前相比，不仅显著提高了平均分类正确率，而且大大降低了最优导联组合数，从而为实际应用中脑力负荷检测的准确性及便捷性提供了技术保障。