近些年来，随着自动化技术的快速发展，人机系统(HMS)得到了广泛的使用。然而，人类操作员作为HMS中一个重要但又脆弱的环节，由于其功能状态常常受到外界因素的干扰，因而处于不稳定状态，将导致整个生产过程发生灾难性的事故。因此，对操作员执行任务过程中的精神负荷(MWL)做出客观准确的识别，及时合理的调节操作员和机器的任务比重，实现人机系统的协调运作，从整体上提高人机系统的效率，降低事故发生率。本文通过采集操作员执行任务过程中的生理信号，使用深度学习算法对操作员的MWL实现自动的特征提取和分类识别。　　本研究主要内容包括：⑴将深度学习算法中的卷积神经网络（CNN）应用于MWL分类中。首先从CNN的深度和参数学习算法这两个角度讨论选择最佳的模型，分别讨论了5种CNN深度和4种参数学习算法的组合;然后为进一步提高模型的鲁棒性和分类精度，设计集成卷积神经网络模型（ECNN）。在ECNN设计中，首先使用重采样策略生成不同的训练样本，然后训练得到具有差异的CNN基模型，讨论分别使用3种集成机制（投票法、加权和堆栈）将多个CNN模型分类结果组合，得到最终的MWL类别。研究结果表明，所提出的ECNN与单个CNN模型相比，显著提高了MWL的分类精度。和传统的浅层机器学习算法相比，ECNN由于其深层的网络结构以及能够自动提取输入数据的特征并分类，其也具有更高的分类精度。⑵将深度学习算法中深度信念网络(DBN)应用于MWL分类中。这部分内容主要集中在两个方面:首先是DBN最优结构的讨论，其次是选择与操作员MWL分类问题关联度最大的电极。具体来说，在RBM结构确定中，使用了试凑法和基于熵的剪枝算法这两种方法，结果表明，剪枝方法确定的结构在分类精度上优于试凑法。在RBM结构确定完成后，针对每个被试训练RBM网络参数，然后基于输入电极和RBM网络权值计算各个电极的重要度。通过对6个被试的研究表明，所选择出的电极可以保证较高的MWL分类精度，并且能够减少计算时间。