随着人工智能的崛起,人机交互操作系统已经在很多领域广泛应用,尤其是要求精准度和高危的领域,例如:空中交通管理系统,飞机驾驶系统和深海潜行系统等。操作人员在执行任务时需要具备良好的工作状态,分析脑力负荷水平,可以判断其脑力负荷状态,保证人员安全和任务有效执行。因此通过判断操作人员脑力负荷状态并对其进行准确辨识很有意义。常用的脑力负荷辨识方法是基于脑电信号（electroencephalogram,EEG）特征进行分析,但这种方法准确率较低,因为脑电信号是从多通道电极记录的混合脑信号（与麦克风采集的多源混合语音信号类似）,直接分析混合信号不利于区分脑信号的特性,所以得到独立的脑电信号很有必要。独立分量分析（Independent Component Analysis,ICA）是一种分离混合信号的方法,最早用于分离混合语音信号,目前已普遍应用于脑电信号去伪迹,但还是应用不含伪迹的混合脑电信号进行分析。本文借鉴ICA分离多源混合语音信号进而获得纯信号的方法,在脑电信号上应用FastICA（ICA的改进算法）,得到独立的脑电信号,即脑电独立分量。针对视觉和操作类任务,提出基于脑电独立分量特征的脑力负荷辨识方法。该方法直接对脑电独立分量进行特征提取可以获得更好的辨识效果。本文针对视觉和操作类任务,让10名被试进行多任务模拟实验,并采集不同负荷等级（低,中,高）的脑电信号。首先对原始脑电信号预处理,使用FastICA分离预处理后的脑电信号进而得到脑电独立分量,然后计算其功率谱密度作为特征,并基于信息增益率针对每名被试进行特征选择,得到最佳特征数。最后应用支持向量机（Support Vector Machine,SVM）对最佳数量的脑电独立分量特征进行分类,由此提出基于脑电独立分量特征的脑力负荷辨识方法。为得到最优参数的辨识模型,应用网格搜索方法,并引入交叉验证算法抑制过拟合问题。对比常规脑电信号特征与本文提出的基于脑电独立分量特征的脑力负荷辨识结果,可知本文提出的方法平均辨识精度提高了23.095%。此外,独立分量个数可以人为设定,本文通过实验发现脑力负荷辨识精度随着独立分量个数的增加而提高。