由于不同被试的生理信号之间存在着个体差异性,脑机接口系统在推向大范围现实应用时受到了严重的阻碍。在使用传统的机器学习方法进行跨被试的情绪与疲劳检测时,个体差异性造成的数据分布差异使得模型的精度大幅下降。另一方面,现有的一些方法主要关注迁移学习中的域适应方法,训练个性化模型对新用户进行检测。然而,个性化模型的训练和校准仍然需要付出大量的时间和高昂的成本对新用户进行数据采集,这使得个性化的解决方案效率低下。事实上,在很多现实场景中,跨被试脑机接口模型需要在没有任何新用户信息,即在去个性化的条件下达到较好的泛化能力。在本论文中,我们提出将迁移学习中域泛化的思路引入跨被试脑机接口研究,降低个体差异性对模型造成的影响。在过去的众多研究工作中,基于对抗网络架构的域对抗神经网络（Domain Adversarial Neural Network,DANN）在域适应问题中获得了较好的效果。因此在本论文的跨被试脑机接口研究中,我们将DANN推广到域泛化的问题设定下,对其进一步改进并提出了域残差网络结构。我们在两个公开数据集SEED和SEED-VIG上对提出的方法进行了实验验证。其中SEED为包含15名被试脑电数据的三类情绪分类数据集,SEED-VIG为包含23名被试前额脑电和眼电数据的疲劳驾驶回归数据集。实验结果表明,在面对一名未知被试进行预测时,不使用任何目标被试数据的对抗域泛化模型可以达到使用目标被试无标签数据进行训练得到的域适应模型相近的精度,且有着更好的稳定性。在面对多名未知被试直接进行预测时,域泛化模型仍然十分有效。本论文的研究结果为在现实应用场景中开发跨被试脑机接口系统提供了可行的技术方案。