认知负荷是人在处理信息过程中所消耗的认知资源。由于认知负荷水平会显著影响人类执行任务的效率，所以在教育方法改进、交互产品设计、高压力工作监测等领域，都需要对认知负荷进行科学的测量。　　目前测量认知负荷的方法可分为三类，分别是主观评定测量、任务绩效测量和生理测量。主观评定测量通过人的主观感受和体验评估认知负荷，需要依托于评价量表，容易受到主观影响。任务绩效测量根据任务中的绩效成绩间接评估认知负荷，其绩效成绩容易量化和统计，但其指标必须根据任务而设定。生理测量是一种客观、可量化的测量方法，其中眼动数据可以以非接触的方式采集，具有较高的实际应用价值。所以本文基于认知负荷理论设计了认知负荷眼动数据采集实验，对能够体现认知负荷的眼动特征进行了分析，提出了一种剔除用户个体差异的特征分析方法，并结合模式识别的理论方法完成了对认知负荷水平的测量。　　本研究分为两个阶段，其主要研究内容如下：　　第一阶段实现对两种认知负荷状态的识别。采用判断任务的实验范式诱发认知负荷；借助统计检验确定了12个能够体现认知负荷状态的特征；提出一种去除眼动特征中被试间差异的方法；利用支持向量机(SVM)完成对认知负荷状态的识别，其识别准确度为90.2%；根据识别结果确定认知负荷状态的最优特征。　　第二阶段实现对认知负荷水平的量化。采用心算任务的实验范式，通过控制计算难度操纵认知负荷水平；提取55个眼动特征，并详细分析兴趣区驻留时间占比、计算过程中瞳孔大小改变量与认知负荷水平的关系；利用序列后向选择算法(SBS)和支持向量机，确定最优的特征组合并完成对认知负荷多个水平的识别，其识别准确率为74.4%；借助于分类的后验概率，完成对认知负荷的量化。　　本研究利用眼动数据识别认知负荷状态、水平，并进一步完成对认知负荷水平的量化，从而说明了借助于眼动数据测量认知负荷水平的可行性。鉴于眼动数据采集的非接触性，上述研究结果有望推广到实际的应用场景之中。