3D显示技术能够极大的提升用户的观看体验，因而具有巨大的发展潜力和广阔的市场前景。然而，观看3D内容时出现的诸如头晕、恶心、出汗、呕吐等视疲劳症状严重影响了用户体验，并逐渐成为3D产业发展普及的瓶颈。因此，研究3D视疲劳评估方法，实现对3D视疲劳的准确、合理评估具有重要的现实意义，并逐渐成为学界研究的一个热点问题。在这些研究中，EEG以其包含丰富、全面的用户生理信息受到了广泛的关注。本文针对现有研究的不足，围绕基于EEG的3D视疲劳机制分析与建模方法开展了一系列的创新研究。论文的具体工作如下：

（1）针对当前基于EEG的视疲劳研究中缺乏相关机理研究的现状，提出使用改进的视差诱发电位技术对同3D视疲劳相关的大脑区域进行分析定位的方法。设计并实施视疲劳诱发实验，通过对信号进行时域、时频域分析，分别研究了潜伏期、振幅以及功率等EEG特征同3D视疲劳之间的关系。确定了同3D视疲劳相关的DVEP成分在大脑中的位置。通过综合分析已有文献，从解剖学角度给出受3D视疲劳影响的双目视觉信息处理过程。

（2）针对多级视疲劳分类中的类别不均衡现象，提出使用观看时长代替3D 视疲劳等级作为特征选取的依据。设计并实施基于随机点立体图的视疲劳诱发实验。通过对信号进行频域以及定位分析，研究EEG功率同观看时长之间的关系，并对关联的头皮及大脑区域进行定位。
针对EEG信号非平稳特性造成的分类模型精度较低的问题，研究基于指数滑动平均的自适应特征优化方法。研究基于EEG信号时域特征的3D视疲劳建模方法，提出基于类别加权的支持矩阵机算法用于3D视疲劳分类。

（3）针对传统分类方法中过度依赖分类特征的现象，研究基于深度学习技术的3D视疲劳评价方法。通过文献调研，综合分析基于EEG的深度学习算法给出其优缺点，确定相应的基线方法。研究基于深度学习框架的多尺度EEG时-频-空间特征抽取方法，确定抽取对应特征的网络结构并构建网络模型。通过同基线方法对比，验证提出模型的有效性，并给出相应分析。研究基于EEG的深度学习模型可视化方法，对所提出网络进行可视化验证。