简洁、方便和多元化的人机交互模式是人机交互领域的最终目标。近年来,将眼动跟踪技术应用于视觉专注界面的设计,能够合理有效的提高人机交互的效率。本文旨在研究基于眼动跟踪技术的视觉专注界面的用户兴趣程度分类和文本难易程度分类问题。本文首先介绍了眼动跟踪技术的研究背景与国内外现状,归纳了常见的眼动跟踪方法,对视觉专注界面以及注意力系统的类型进行了概述。然后基于视觉专注界面分类问题的可行性,本文设计并完成了两类实验:用户兴趣程度分类和文本难易程度分类。本文详细讨论了瞳孔尺寸、注视坐标、扫描路径和眼跳信息等眼动特征,以研究其在用户阅读过程中与用户兴趣程度及理解程度的关联关系。在整个实验过程中,将6篇不同主题的文章作为实验的刺激源,要求测试者在自然、恒定的环境下阅读不同类别的文章,文章呈现的顺序是随机的。实验使用采样频率为150赫兹的Gaze-point眼球跟踪器记录眼动数据,Gaze-point平台来设计和部署实验。从Gaze-point平台导出原始的眼动数据后,使用相关的机器学习方法来设计算法流程并进行数据分析。本文设计了三类不同的采样方案:基于最短时间的模型、基于凝视点区间的划分模型以及基于特征区间的划分模型。在对原始数据进行预处理后,计算出相关的眼动特征。算法模型采用了6种分类器:K-邻近算法、决策树、随机森林、梯度提升树、神经网络和AdaBoost。最后,本文对6种算法模型进行评估,比较不同采样方案下两类实验的相关性与差异。实验达到了预期效果,在基于凝视点区间模型的采样方案下、使用梯度提升树的分类算法时,两类实验的结果均达到了最高的准确率,分别为0.96和0.90。相对于最短时间的模型和特征区间划分的模型,基于凝视点区间的模型显示出了较高的准确性,并且分类的准确率随着划分区间数的增加而提高。在两个分类实验中,决策树和梯度提升树都表现出了积极的性能,验证了在视觉专注界面中,眼动特征可以为用户兴趣程度以及理解程度分类提供理论依据。