随着虚拟现实（VR）技术近几年来逐渐成熟,当前我国VR产业处于高速增长的态势中。虽然VR技术的发展为内容设计提供了许多新的可能性,但由于VR应用设计的不成熟,VR行业从业者们仍面临着严峻的挑战。VR中的设计仍旧需要通过用户使用来验证是否可行。所以,用户体验研究对于VR软件设计的成功至关重要。同时随着用户对内容质量要求的提高,VR内容是否有足够的吸引力将在很大程度影响用户体验,决定用户是否会继续更进一步的VR体验。因此如何评估VR用户体验并找到影响用户体验的内容对于提高用户体验和用户黏性至关重要。目前对VR的研究集中在硬件和软件的改善上,对内容设计的关注较少,用户体验的评价也没有统一而明确的标准。本文通过查阅文献,尝试将找出用户体验和用户特性以及VR内容之间的关联。首先,本文定义了四种类型的VR交互事件,并设计了一份问卷来收集测试者的用户特性及其主观评价。其次,将80名测试者分成两组,在固定的时间内体验两种类型的VR产品,在实验过程中,测试者的客观生理数据与参与实验的整个过程都被记录。最后,采用统计学方法和改进的Prism算法,找出了用户特性、游戏交互事件类型与用户体验之间的相关性。本文实验结果可以为VR内容设计人员和开发人员提供一定的参考,同时对规范化的进行VR用户体验评估进行了初步尝试。此外,尽管VR技术已经能为用户提供优秀的沉浸式体验,它仍存在一些影响用户体验的副作用。这其中,晕动症是最为影响用户体验的副作用之一,有时甚至严重到给用户带来极大的身体不适感并导致用户中断使用VR技术。晕动症的相关研究已经进行了多年,许多研究者试图寻找导致这种不愉快经历的理论和因素,但仍无法明确晕动症产生的根本原因。许多研究工作试图检测,解释和限制此症状的发生。但是,当前大多数的检测和分析方法都依赖于使用主观问卷来收集用户的后验状态,这些状态包括晕动症的一些已知症状,如头晕、恶心、冷汗、神志不清、眼疲劳等。虽然已存在一些研究尝试开发用于量化和测量晕动症的现有系统,但是还不存在成熟的可供VR开发人员评估其产品对晕动症易感性的实时晕动症检测系统。本研究旨在通过应用深度学习方法,使用生理传感器实时检测和量化晕动症。本文设计开发了用于引发用户晕动症的VR实验平台和被动导航任务,然后在实验过程中采集了用户的实时生理信号,包括皮肤电活动（EDA）和心电图（ECG）,以及用户虚拟化身的位置和骨骼旋转数据,然后使用该多源数据集训练了LSTMAttention神经网络模型。该模型可以在无需用户实时反馈的情况下检测用户在VR体验过程中的晕动症水平。我们使用5折交叉验证法验证了模型的有效性,该模型对用户晕动症水平分类的平均准确率达到96.58%,与该领域的其他相关研究相比表现出色。本文的实验结果表明了使用我们提出的晕动症检测模型对晕动症水平进行准确分类的可行性。该模型可以为VR研究人员和开发人员提供参考,通过实时检测用户晕动症的水平,开发者可以应用不同的技术来缓解用户感受到的晕动症程度,进而改善用户体验。