La evaluación de la fatiga visual juega un papel importante en aplicaciones como la realidad virtual, ya que los síntomas de fatiga visual siempre afectan seriamente la experiencia del usuario. Los métodos de evaluación visual existentes requieren características hechas a mano para la clasificación, y realizan la extracción de características y la clasificación de manera separada. En este documento, realizamos un experimento diseñado para recopilar señales de electroencefalograma (EEG) de varios niveles de fatiga visual, y presentamos una arquitectura de red neuronal convolucional (CNN) multi-escala llamada MorletInceptionNet para detectar la fatiga visual utilizando EEG como entrada, que explota la estructura espacio-temporal de las señales de EEG multicanal. Nuestro MorletInceptionNet adopta un esquema de extracción de características conjunto espacio-tiempo-frecuencia en el que se utilizan núcleos tipo wavelet de Morlet para la extracción de características crudas espacio-temporales y la arquitectura inception se utiliza además para extraer características temporales multi-escala. Luego, las características temporales multi-escala se concatenan y se envían a la capa completamente conectada para la evaluación de la fatiga visual mediante clasificación. En la evaluación del experimento, comparamos nuestro método con cinco métodos de vanguardia, y los resultados demuestran que nuestro modelo logra en general el mejor rendimiento para dos métricas de evaluación ampliamente utilizadas, es decir, la precisión de clasificación y el valor kappa. Además, utilizamos mapas de correlación entre la red de perturbación de entrada y la predicción para realizar un análisis en profundidad sobre la razón por la cual el método propuesto supera a otros métodos. Los resultados sugieren que nuestro modelo es sensible a la perturbación de las bandas (14-30 Hz) y (30-40 Hz). Además, sus patrones espaciales tienen una alta correlación con los de las densidades espectrales de potencia correspondientes que se utilizan como características de evaluación tradicionalmente. Este hallazgo proporciona evidencia de la hipótesis de que el modelo propuesto puede aprender las características conjuntas de tiempo-frecuencia-espacio para distinguir automáticamente los niveles de fatiga.