随着人工智能、物联网的发展,生物电信号中的眼电(EOG)已经成为了当今人机交互和医学康复领域的热点研究方向,在功能辅助和环境控制领域有广阔的市场前景。传统的EOG系统对于新受试者而言,需要该受试者进行长时间的离线训练以获取分类器模型,该过程耗时长,用户体验差,不利于EOG系统的推广。所以如何取消新受试者的漫长训练阶段具有很大研究价值。新受试者没有参与离线训练,要求直接进行在线实验,可以利用其他受试者的实验数据训练模型,再将该模型用到新受试者上,这是迁移学习的问题。本文从单源域的EOG迁移学习算法入手,再扩展到多源域的迁移学习算法,最后设计了基于迁移学习的EOG系统。针对单源域的EOG迁移问题,首先尝试使用LDA和SVM两种基础分类器直接进行迁移,结果是SVM的迁移效果好于LDA。随后引入测地线核(GFK)算法对源域和目标域样本进行映射后再使用基础分类器进行迁移,GFK显著的提高了LDA的迁移效果,但是对SVM无明显提升,所以对GFK算法进行了改进,最后通过实验证明了改进的GFK优于原始GFK算法。针对多源域的EOG迁移问题,首先尝试使用集合策略,实验结果表明最适用于集合策略的基础分类器是KNN。对适用于多源域EOG迁移问题的直推式参数迁移(TPT)算法进行分析后,通过引入不同的个性分类器获取方法、不同的核矩阵计算公式、和不同的回归算法对TPT算法进行了改进。结果证明改进后的TPT算法相较于原始TPT算法取得了较大的提升。最后设计了一种基于迁移学习的EOG系统,并利用云平台解决了本地运算力不足的问题,对于新受试者来说,该系统完全不需要训练。系统在算法的选用上分为两个阶段,第一阶段使用KNN-SVM,而当系统中的云端接受到足够多的受试者样本后,进入第二阶段,转而使用通过TPT算法得到的新受试者的模型,最后通过实验证实该系统了对于新受试者而言无需训练的可行性。