从诞生至今，自动化技术在各个领域得到了飞速的发展，但在某些特殊情况下，脱离人的参与实现完全的自动化还是比较困难的。因此催生了需要操作员与机器相互协作共同完成控制任务的人机系统（Human-Machine System，HMS）。相对于机器来说，操作员的功能状态容易受到外界环境的影响，所以操作员是HMS中最重要也是最脆弱的环节。动态分配操作员与机器之间任务量的自适应人机系统是提高人机系统性能的一种有效途径。因此操作员实时精神负荷(Mental Workload，MWL)监测系统对于自适应操作/辅助系统的设计和开发就显得至关重要了。虽然基于数据驱动的方法在MWL识别上已经表现出了较好的性能，但是这些方法的主要挑战在于难于获取大量的标记生理数据。而半监督学习(Semi-Supervised Learning，SSL)在标记样本数量较少的情况下，可以从大量无标记样本中获取有用信息，进而提高识别性能。由于SSL在MWL领域的应用相对较少，本文旨在利用少量的标记生理信号样本，通过SSL来评估操作员的精神状态。　　本文试图将半监督极限学习机(Semi-Supervised Extreme Learning Machine，SS-ELM)应用于仅基于少量标记的生理数据来评估操作人员精神负荷水平分类上。分别采用了两种不同的特征提取方法:一种方法是小波包变换，另一种是希尔伯特-黄变换并比较了两者的效果，实验数据结果表明，与监督算法的识别性能相比，SS-ELM算法可以有效地提高操作员MWL模式分类的识别精度。此外，本文还探究了SS-ELM对标记生理数据和无标记数据的使用能力。即，标记样本数量越少，效果提升越明显;当参与分类器构造的无标记样本数量达到一定程度后，继续增加其规模，对分类性能的提升不再明显。实验结果充分显示了SSL在构建操作员的MWL检测模型评估中良好的应用前景。　　此外，在标记样本量严重不足的条件下，样本集的类别不均衡问题会加剧少数类样本的错分概率。针对这一问题，本研究提出了集成代价敏感加权过采样技术(Integrated Cost-Sensitive Majority Weighted Minority Oversampling Technique,ICS-MWMOTE)算法，通过引入代价敏感策略和集成策略动态的合成少数类别的样本，并通过集成策略使其适用于多分类的情况。原有标记样本集与新合成的样本集一起参与MWL识别模型的构建。仿真结果表明，提出的算法能有效改善SS-ELM算法在标记样本严重不平衡时分类性能，尤其是在特定类别的识别上，提升更加明显。