El reconocimiento de microexpresiones entre bases de datos cruzadas (MER) es una tarea más desafiante que la convencional porque sus muestras de entrenamiento etiquetadas (fuente) y de prueba no etiquetadas (objetivo) de microexpresiones (ME) provienen de diferentes bases de datos. En este escenario, puede existir una gran brecha en la distribución de características entre las muestras de ME de origen y objetivo debido a las diferentes fuentes de muestra, lo que disminuye el rendimiento de reconocimiento de los métodos de MER existentes. En este documento, nos enfocamos en esta tarea desafiante proponiendo un método simple pero efectivo llamado modelo de regresión de kernel de transferencia (TKRM). La idea básica de TKRM es encontrar un espacio de Hilbert de kernel reproducido (RKHS) ME-discriminativo, invariante a la base de datos y común para unir ME pertenecientes a diferentes bases de datos. Con este propósito, TKRM tiene la capacidad discriminativa de ME de aprender un operador de mapeo de kernel para generar un RKHS y construir la relación entre las características de ME kernelizadas y las etiquetas en dicho RKHS. Mientras tanto, también se diseñó un término de regularización novedoso adicional llamado reconstrucción de muestra objetivo (TSR) para beneficiar el aprendizaje del operador de mapeo de kernel al mejorar la capacidad invariante a la base de datos de TKRM mientras se preserva la capacidad discriminativa de ME. Para evaluar el método propuesto TKRM, realizamos extensos experimentos de MER entre bases de datos cruzadas en bases de datos de microexpresiones ampliamente utilizadas, incluidas CASME II y SMIC. Los resultados experimentales obtenidos demostraron que el método TKRM propuesto es realmente superior a los métodos de adaptación de dominio de última generación para el MER entre bases de datos cruzadas.