航空人为因素是保证航空飞行安全的一个重要领域。在航空人为因素研究领域中,飞行员工作负荷是其中一个非常重要的方向。而过高或者过低的工作负荷都不利于飞行员在飞行过程中处于最佳状态,容易出现差错行为。研究飞行员工作负荷可以帮助改善飞机人机界面的的设计,降低人为飞行事故率。所以飞行员工作负荷的量化研究在层次化解析人为因素对飞行安全的影响具有较大的现实意义。本课题建立了一套基于飞行参数的飞行员工作负荷客观评价方式,对原有飞行员的工作负荷客观评估方式进行弥补与提升。本文针对飞行员的操作特性,选择反映飞行员工作负荷的典型飞行参数和完备飞行参数对飞行员的工作负荷进行客观评价,对其进行预处理和时频特征提取,主要提取其均值,方差,均方根,小波奇异熵,ARMA系数熵等特征,这些特征作为深度学习的初始数据集。在此基础上,提出了一种基于稀疏限制玻尔兹曼机网络的飞行参数特征降维算法,建立了基于布谷鸟优化-高斯过程分类器的飞行状态识别模型,并与主观评价方式相结合,完成对飞行员工作负荷进行客观评价。通过本课题的研究可以得到以下结论:(1)基于完备飞行参数的ARMA系数熵与小波奇异熵等特征能够很好地将不同工作负荷下的飞行状态进行识别;(2)基于深度稀疏限制玻尔兹曼机网络的飞行参数特征降维方法,比传统PCA和Treelets变换方法更为有效,可以正确获得完备飞行参数的特征子集;(3)基于布谷鸟优化-高斯过程的算法可以有效地将不同工作负荷下的飞参数据进行数学机理建模,完成飞行员工作负荷评估,为飞行员客观评价方式提供了新的解决方案。