在人机交互等领域,图形界面的可用性、合理性决定了操作员的工作效率,因此提出一种客观的、可靠的图形界面评价方法势在必行。本文以头盔显示界面（Helmet Mounted Display,HMD）为研究对象,不但提出了一种图形界面的评价方法,而且还基于脑电（Electroencephalogram,EEG）提出了一种认知负荷状态分类方法。我们的工作共分为两个部分:1、提出了一种将BubbleView与ERP结合鲁棒性更强的图形界面评价方法。由于前人的工作大多仅通过一种方式评价图形界面,即要么仅借助事件相关电位技术（Event Related Potentials,ERP）要么仅借助眼动追踪技术,单独借助眼动追踪技术带来的缺陷是无法揭示认知评价过程中大脑内部的工作机制,并且眼动追踪技术涉及的设备昂贵且需要调试,单独使用ERP技术带来的缺点是无法反映界面评价过程中的人眼注视规律。为了克服以上工作的不足,我们通过研究用户从注意力资源投入到分配完整的认知过程来综合评价图形界面。我们借助ERP结果中的P2、P3b成分来反映被试在图形界面下注意力资源的投入量,借助BubbleView生成的视觉重要性热图来反映被试注意力资源的分配情况。最后,我们综合ERP、BubbleView结果对不同布局的图形界面进行讨论分析,得到较为客观的评价结果。结果显示在更加简洁布局的界面下,被试的认知负荷更小。通过BubbleView的视觉重要性热图,我们还发现用户更加关心图形界面的上部区域。2、提出了一种脑电时空多特征融合的图形界面下的认知负荷分类方法。该方法利用 Multi-CNN（Multi-Convolutional Neural Networks,Multi-CNN）提取EEG的频域与空间特征,然后利用Att-BLSTM（Attention Based Bidirectional Long Short-Term Memory Network,Att-BLSTM）提取原始 EEG信号中的时域特征,最后通过多特征融合构建认知负荷分类方法。实验结果表明该方法在该数据集上的测试结果平均准确率82%,相对于传统机器学习的方法,该方法具有更强的EEG信号表征能力,相对于其它深度学习的方法,也更能准确提取EEG的时域特征且具有更强的鲁棒性。本文的研究结果揭示了不同图形界面布局方式对被试认知负荷的影响,对于设计优化图形界面提供了理论依据和新的思路,同时我们的图形界面评价方法不仅限于HMD界面,也可为其它类型图形界面提供设计帮助。我们提出的脑电时空多特征融合的图形界面下的认知负荷分类方法可以实现对低、高认知负荷状态进行精确的分类,有助于实现认知反馈机制最终提高工作效率。