晕动症是人们日常生活中经常发生的生理现象,例如人在乘坐车、船等交通工具时。随着虚拟现实技术的飞速发展,各种虚拟现实设备出现在我们的日常使用中。但是人们在体验虚拟场景时经常会感到头晕、恶心等晕动的相关症状,这极大的降低了用户体验,并且阻碍了虚拟现实技术的推广和发展。因此,对于晕动症的研究变得十分迫切。如何去判断晕动症是否产生或者去预测晕动症的程度成为了晕动症研究领域的重要问题。针对上面的这两个问题,同时基于虚拟现实的环境下,本文从晕动症引发的姿态摇摆和眼动变化这两个生理特征着手进行研究。对于姿态摇摆这个特征,我们通过实验分析了视觉刺激的速度、姿态摇摆的角度和晕动症程度的这三者关系,并设计了一套虚拟现实下可以实时预测用户晕动症程度的系统。对于眼动这个特征,本文首次将视觉显著性引入晕动症的研究中,通过实验建立了第一个虚拟现实下晕动症患者的眼动数据库,该数据库包含了人在正常和晕动情况下观察虚拟现实中三维全景图的眼动数据。本文基于该库首先分析了两种情况下人视觉注意力的差异和特征,然后建立了两个深度学习模型。一个是视觉显著性预测模型,用于预测晕动症人群的视觉注意力区域,这可以帮助我们更好的理解晕动症患者的注意力机制,并且可以用于指导虚拟现实硬件或者虚拟环境内容的开发等等。另一个是视觉显著性分类模型,用于根据用户视觉注意力数据判断用户是否产生晕动症。这个基于眼动数据的晕动症判定模型,解决了以往的方法难以实际应用的难题,可以让虚拟现实用户获得更好的体验,防止晕动症的加深。这两个模型在性能上都十分优异,处于业界领先的地位。