在现今的软件和游戏的交互设计中越来越重视用户的心流体验。传统的心流体验测量方法无法实时对心流水平进行测量,并且测量过程会对心流体验有所干扰,为了实现对心流体验无干扰的实时识别分析,研究将被试的绩效指标,姿势指标,心率指标作为训练数据,通过BP神经网络建模完成对心流水平的识别和预测。实验招募了 70名被试,首先通过《目标倾向调查问卷》测量被试的学习倾向和成绩倾向指标,之后被试按照试验要求进行三局《王者荣耀》游戏,在游戏的过程中记录被试的生理状态、身体姿势指标,游戏结束后测量被试对这局游戏的主观心流体验。通过BP神经网络建模,利用试验中测量的指标识别预测心流体验;并通过多层线性模型,分析这些指标与心流体验之间的关系。结果显示:(1)时域心率变异性,低频心率变异性,胜负,得分,技巧与心流水平呈显著的正向预测关系;(2)高频心率变异性,头部距离,头手距离,胸部距离,难度与心流水平呈显著的负向预测关系;(3)行为指标中头手距离的预测精度最高(80.525%),生理指标中时域心率变异性的预测精度最高(84.211%),绩效指标中得分的预测精度最高(88.618%),而综合所有指标预测精度最高可达到91.606%。本研究提出了利用绩效指标和姿势指标结合的方式,训练神经网络模型,这种指标可以在不干扰被试体验的状态下,实时的识别被试当前的心流水平,并且能够根据被试反馈的数据不断的升级模型,这是传统数学模型预测所不具备的优势。在实际应用中这测量方法相比传统测量方法,具有测量工具更廉价,测量过程更方便等优点。能够应用于手机游戏的用户体验研究当中,为手机游戏设计开发提供参照。