El avance de un sistema inteligente de cambio de sonido de automóvil tiene el potencial de elevar la posición en el mercado de los productos automotrices, siendo el requisito fundamental la selección de sonidos de automóviles basada en la percepción subjetiva del conductor. Las respuestas subjetivas de individuos diversos a los sonidos pueden manifestarse objetivamente a través de señales de EEG. Por lo tanto, las señales de EEG se emplean aquí para lograr el reconocimiento de los sonidos de automóviles. Un experimento de evaluación subjetiva y adquisición de señales de EEG se diseña involucrando la estimulación de tres tipos distintos de sonidos de automóviles, a saber, sonidos de confort, potencia y tecnología, y se establece una base de datos exhaustiva de señales de EEG correspondientes a estas tres cualidades de sonido. Luego, se formula un modelo específico de aprendizaje por transferencia basado en una red neuronal convolucional (STL-CNN), donde se propone el método de entrenamiento de los parámetros de la capa superior con los pesos inferiores fijos para extraer de forma adaptativa las características de EEG relacionadas con los sonidos de automóviles. Estas mejoras contribuyen a mejorar la capacidad de generalización del modelo y a realizar el reconocimiento de sonidos de automóviles fusionados con señales de EEG. Los resultados de la comparación con los modelos tradicionales de máquina de vectores de soporte (SVM) y red neuronal convolucional (CNN) demuestran que la precisión del conjunto de pruebas del modelo STL-CNN alcanza el 91.5%. Además, su rendimiento integral, junto con la capacidad de adaptarse a las diferencias individuales, supera la de los modelos SVM y CNN. El método demostrado en el reconocimiento de sonidos de automóviles basado en señales de EEG es significativo para la implementación futura de modos de cambio de sonido de conducción fusionados con señales de EEG.