操作员认知负荷水平的准确分类，对优化企业生产可靠性指标，提高产品质量与效率具有极其重要的意义。现有认知负荷研究大多集中在航空或交通领域，而在机械装配领域研究较少，一般采用基于生理信号与设备信息构建分类模型的方法进行研究，但未针对认知负荷数据特征对分类模型进行改进，分类精度不高。为解决上述问题，设计基于多复杂度减速器装配场景的N-Back次任务脑电试验，收集了主观评价数据、装配数据和脑电信号，分析了数据与认知负荷之间的内在联系，利用机器学习算法，构建了基于互信息量的随机森林模型，实现了复杂装配系统操作员认知负荷的分类评估。结果表明：各特征因素对操作员认知负荷均有显著影响，且随认知负荷增加呈现规律性变化，认知负荷试验设计合理；基于互信息量的随机森林模型分类效果显著优于其他分类模型，多维特征可有效降低算法欠拟合能力，提高分类精度。