Las diferencias individuales a menudo aparecen en los datos de electroencefalografía (EEG) recopilados de diferentes sujetos debido a sus propiedades de señal débil, no estacionaria y de baja relación señal-ruido. Esto provoca que muchos métodos de aprendizaje automático tengan un rendimiento de generalización deficiente porque la suposición de independencia e idéntica distribución ya no es válida en los datos de EEG entre sujetos. Con este fin, se ha introducido el aprendizaje por transferencia para aliviar la diferencia de distribución de datos entre sujetos. Sin embargo, la mayoría de los métodos existentes se han centrado únicamente en la adaptación del dominio y no han logrado una colaboración efectiva con la estimación de etiquetas. En este artículo, se propone un método de transferencia de características de EEG combinado con regresión semisupervisada y propagación de etiquetas en un grafo bipartito (TSRBG) para realizar la optimización conjunta unificada de la alineación de la distribución de características de EEG y la estimación conjunta de etiquetas semisupervisadas. A través de los experimentos de reconocimiento de emociones entre sujetos en el conjunto de datos SEED-IV, los resultados muestran que (1) TSRBG tiene un rendimiento de reconocimiento significativamente mejor en comparación con los modelos más avanzados; (2) las diferencias en la distribución de características de EEG entre sujetos se minimizan significativamente en el subespacio compartido aprendido, lo que indica la efectividad de la adaptación del dominio; (3) se logran las bandas de frecuencia clave de EEG y los canales para el reconocimiento de emociones en EEG entre sujetos al investigar el subespacio aprendido, lo que proporciona más información sobre el estudio de los patrones de activación emocional en EEG.