近年来,尽管自动化技术和信息技术得到了飞速的发展,实现系统的完全自动化仍是一个巨大的难题,人类操作员仍广泛存在于各种人机系统中,并成为保障系统安全运行的关键。在高安全性要求的人机系统中,操作员功能状态(Operator Functional State,OFS)骤降或失效都有可能使系统产生故障,甚至导致严重事故。解决这一问题的一个有效途径是通过对连续可测的操作员心理生理指标进行分析,从而识别出操作员精神负荷(Mental Workload, MWL)过高的状态,并采取一定的措施,防止可能的事故发生。然而,在分类器设计中,随着输入特征维度的急剧增加,分类器的分类速度和精度都会受到影响。在操作员MWL分类器设计中,非常高维的电生理信号数据会对MWL的分类精度产生不利的影响。同时,不同分类器对同一问题的分类效果也有所不同。针对上述问题,本文在对采集到的电生理数据进行滤波、去眼电伪迹等处理,并采用快速傅里叶变换得到其频域特征之后,使用核主成分分析(Kernel Principal Component Analysis, KPCA)方法对所得高维特征集合进行了降维处理；本文采用核Fisher判别分析(Kernel Fisher Discriminate Analysis, KFDA)对降维后的数据进行了分类。本文所得分类结果与使用传统主成分分析(Principal Component Analysis, PCA)进行降维处理以及未经降维处理的数据所得结果进行了比较,比较结果显示本文所用的KPCA降维处理方法可以有效提高操作员MWL的分类正确率。同时,本文对使用KFDA方法所得分类结果与采用支持向量机(Support Vector Machine, SVM)所得分类结果进行了比较,比较结果显示KFDA万法分类效果优于SVM万法,该优势在多类别分类中表现更为明显。