疲劳状态下的驾驶（疲劳驾驶）是引起交通事故的主要原因之一,给人们的生命和财产造成了重大损失。因此,设计并实现一种能够对疲劳驾驶准确地做出预警的方法,对减少因疲劳驾驶导致的生命和财产损失有重大意义。脑电图（Electroencephalography,EEG）记录了人大脑皮层神经细胞的电活动,可以直接反映大脑的即时状态,避免人为主观因素的影响,所以被认为是最有效的精神状态检测方法。传统的基于EEG的分类模型,训练集和测试集都来自于同一个被试（遵循相同的分布）,这在跨被试疲劳识别中很难满足。新兴的迁移学习（Transfer Learning,TL）技术可以有效地将某个领域上学习到的知识应用到不同但相关的领域中,用于完成某些特定的决策任务,这种理念在EEG的跨被试分析上同样适用。本文提出了一个基于迁移学习的EEG疲劳状态分析模型,并将该迁移学习算法与机器学习算法有机结合提出了用于实时疲劳检测的量化指标,最后搭配所提出的量化指标设计了一个疲劳状态在线实时检测系统。本文研究内容主要有以下三点:（1）本文结合生成对抗网络提出了一种基于领域对抗神经网络（Domain-adversarial Neural Networks,DANN）的迁移学习模型Generative-DANN（GDANN）。它用随机噪声来模拟目标域数据,以此解决EEG在被试之间分布不同的问题;同时筛选出与目标域空间分布相似度最佳的被试集,以在一定程度上避免负迁移来保证模型的跨被试分析性能。（2）本文将随机森林（Random Forest）算法与迁移学习模型GDANN的概率权重相结合提出了一个基于EEG频谱信号分析的在线疲劳量化指数Eff。提出的指标支持在线使用,并比单纯的GDANN模型性能更强且稳定。同时,寻找了对疲劳状态敏感的脑电通道,优化脑电信号采集设备所需的通道数目,从原始的61个通道优化到6个通道,大大降低了在线使用该指标时的计算负载压力以及网络通信成本。（3）本文设计了一个基于EEG与迁移学习的疲劳状态实时检测系统,通过VRPN-WebSocket双通信协议结合的模式,将开源软件OpenViBE采集到的实时EEG信号流转到远程服务器,减轻本地终端的计算压力,并用在线疲劳量化指数Eff来计算实时疲劳概率,为疲劳状态实时检测提供了可靠方案。