当人受到长时间的或反复的刺激后会产生疲劳,它是一种复杂的生理心理现象,常表现为注意力涣散、虚弱乏力等。在认识理解疲劳成因的同时,寻找一种能及时准确地检测出疲劳的方法也很重要。目前,在众多关于疲劳检测的方法中,基于脑电信号的方法受到了广泛的关注,被誉为疲劳检测的金标准。这是因为脑电信号是神经元细胞在头皮上的整体表现,能及时准确地反映出大脑整体状态。但是,脑电信号的非平稳性以及不同被试之间的个体差异导致训练数据和测试数据无法服从同一分布或是在同一特征空间,从而使得传统机器学习模型的表现较差。迁移学习的出现为解决这类问题提出了一种可行的方法,因为它能利用已经学到的知识去帮助解决相关但不同任务的学习问题。本文利用迁移学习来研究基于脑电信号的跨被试疲劳检测问题,主要的工作有:（1）首先,本文提出了一种基于张量网络的疲劳检测方法。在选择训练集时,本文使用了基于张量的Frobenius范数的相似性度量方法来选择与测试集最为相似的训练集。然后,本文使用了两种不同的平衡方法,即对多数类别样本进行欠采样（Under-sample Majority Samples,UMS）和合成少数类别新样本（Synthesize Minority Samples,SMS）,用于平衡公开疲劳数据集。此外,本文通过构建的张量网络将训练数据与测试数据投影到同一个特征空间。最后,在该特征空间中使用支持向量机模型进行分类。在公开数据集上的离线分析结果表明,本文提出的基于张量网络的疲劳检测方法对应的平均准确率达到78.7%,高于传统机器学习方法。（2）其次,本文还提出了一种基于多任务学习的疲劳检测方法。具体而言,在一个基于贝叶斯的多任务学习模型的基础上引入了平衡微调集,多任务学习模型用于学习不同被试之间的共享特征,而平衡微调集可以缩小共享特征与测试被试特征之间的差异,通过将二者结合来实现跨被试的疲劳检测。在公开疲劳数据集上的实验结果表明,使用UMS平衡后的平均准确率达到77.0%;而使用SMS平衡后,对应的平均准确率大幅度提升至83.2%,比域适应迁移学习方法高出了10.2%。实验结果表明,本文提出的两种基于脑电信号的跨被试疲劳检测方法均取得了较好的效果,使得疲劳检测研究更进一步。