眼动交互普遍应用在行为学分析、医疗辅助和智能化系统中。眼动交互的关键技术为眼动追踪和眼动行为识别。随着人工智能出现,眼动追踪和眼动识别应用了深度学习技术,实现了无需眼动仪也可完成相应的追踪和分类任务。本文重点就基于卷积神经网络（CNN）的视线追踪和眼动行为识别技术进行研究,主要工作有:1.基于卷积神经网络的视线追踪技术研究。基于卷积神经网络的视线追踪包含了独立于人（person-independent）的视线追踪和特定于人的（person-specific）视线追踪。特定于人的视线追踪通常对模型进行微调来校正偏差,需要利用个人样本。当个人样本数量有限时,需要利用有限的样本有效地降低视线追踪误差。我们针对如何选取有效样本的问题进行了研究。首先我们采用Res Net作为通用视线追踪模型,再将通用模型作为从个人样本中提取特征的工具,利用SVR对特征进行回归,来获取不同样本的平均误差。我们使用Unity3D做样本采集程序,在用户注视校准目标的过程中采集图像作为样本数据,通过改变校准目标的位置分布来获取不同的样本。我们设置了两种分布模式,每种分布模式具有不同数量的目标,目标数量对应个人样本的数量。实验验证,随着个人样本数量增加,视线追踪误差降低;在校准样本数量相同的情况下,校准目标按照规律分布的样本比校准目标按随机分布的样本的平均误差低0.2到0.4cm。2.眼势识别研究。眼势识别属于眼动行为识别。眼动行为识别的目的是根据注视信息区分不同种类的眼动。眼动交互中的眼动行为主要分为注视、眨眼、扫视和平滑追踪。其中采用扫视形成的轨迹进行交互的方式为眼势交互。通常眼势识别是通过眼动仪采集注视数据并分析,再对眼势进行分类。本文采用了一种基于外观的眼势识别方法,采用卷积神经网络和长短时记忆网络（LSTM）识别眼势。LSTM对单步长眼势识别效果好,但对多步长眼势的识别率不高。针对这一问题,我们采用Bi LSTM代替模型中的LSTM单元,对多步长眼势进行识别,与LSTM相比,分类准确率提高了18.42%。