视线跟踪技术是一种检测人眼视线方向或注视点的技术,广泛应用于教学质量评估系统、生产线工人注意力监测、疲劳驾驶、虚拟现实、广告分析等诸多场景。但由于当前视线跟踪技术通常采用基于RGBD图像或红外图像的视线跟踪算法,通常需依赖深度相机和红外相机等外部设备,导致应用过程中使用不便,成本高,且应用场景受限。论文在分析国内外视线跟踪相关算法的基础上,提出一种基于深度学习并使用单目RGB图像为输入的视线跟踪算法,制作了算法需要的数据集,并给出算法移植到搭载安卓操作系统的嵌入式设备上运行的具体流程。论文主要研究工作如下:1.构造视线跟踪神经网络损失函数。由于视线通过视轴与三个相机坐标轴（x,y,z）的夹角α、β、γ来描述,需在神经网络中构造三条损失函数支路来评估它们的估计误差,在三条损失函数支路中,每条支路的损失函数由两个具体的损失函数成员加权组合而成,一是交叉熵,用于粗略调节网络参数,二是均方误差,用于微调网络参数。2.搭建视线跟踪多损失卷积神经网络。论文通过在Yolov2、Res Net18等基础网络上删除一些冗余的网络层,增加视线跟踪特有的层,如多损失函数层来实现视线跟踪神经网络。3.低分辨率图像头部姿态估计。对视频图像采用卷积神经网络进行人脸检测,并在Yolov、Res Net等网络后接三条损失函数支路来评估头部姿态欧拉角Yaw（偏航角）、Roll（俯仰角）、Pitch（翻滚角）的估计误差。由于低分辨率图像的头部姿态特征不明显,需对原始数据集进行上采样、下采样、图像模糊等处理,迫使网络学习不同分辨率的图像,以提高模型的预测精度。4.视线跟踪眼球数据集标定。视线作为三维空间的矢量,标定者无法直接根据RGB图像判断其在相机坐标系中的方向。论文提出一种基于3D仿真软件的数据集制作方法,通过在仿真软件中制作类似真人的眼球模型,用程序控制其模拟人眼转动同时生成数据集,来解决这一问题。5.安卓嵌入式终端算法移植。为提高模型执行效率,论文采用Android Studio对Caffe模型进行移植。嵌入式设备上使用Java实现外部图像采集程序,C++实现图像预处理和模型调用程序。