视线追踪技术是指通过识别和记录眼睛的运动轨迹,以预测被试者的视线方向和注视点。随着信息技术的发展,视线追踪技术广泛地应用于心理疾病早期诊断、人机交互、临床医学、疲劳驾驶检测、多媒体技术、科学研究等领域中。眼动采集设备也向着轻量化和民用化发展。眼动仪作为记录人的眼动轨迹特征的常用眼动采集设备,为视线追踪技术提供了硬件支持。眼动仪的常见类型可以分为可穿戴式眼动仪和桌面式眼动仪,不同类型的眼动仪适用于不同的应用场景。基于上述硬件支持,视线追踪技术开始专注于向高精度和高稳定性两个方面发展,研究者根据不同的硬件设备和适用场景提出了许多视线追踪算法。然而,现有视线追踪算法的性能受到多种因素的影响,如外界环境的光照变化、瞳孔反射光斑、瞳孔遮挡等,这些因素会导致算法的精度、稳定性不佳。同时,复杂的三维视线追踪模型计算量大,很难做到实时的视线追踪和注视点预测。针对以上问题,本文提出一种基于可穿戴式眼动仪的准确、快速、鲁棒的视线追踪方法。本文的研究内容和技术创新点如下:（1）本文设计了一种可穿戴式眼动仪作为视线追踪系统的硬件基础。针对采集的瞳孔图像可能受硬件条件和环境因素干扰导致后续算法鲁棒性低的问题,本文提出了一种基于图像增强和预训练虹膜分割模型的瞳孔图像预处理算法。为了解决高速摄像头拍摄的图像对比度低的问题,本文对比了多种图像增强算法。在图像增强效果和处理时间两个方面进行比较,得到在这两个方面的最优算法——全局直方图均衡化,解决了光照对图像质量的影响。另外,对于非瞳孔边缘点对瞳孔椭圆拟合结果的影响,本文采用了一种基于Yolo深度网络的预训练模型。并对网络结构进行优化,提高了训练和预测的效率,有效地过滤了图像中眼睑、睫毛等边缘点,以提高后续算法的性能。（2）针对瞳孔识别算法易受环境光照、瞳孔遮挡等因素影响算法精度和鲁棒性的问题,本文提出了一种基于改进RANSAC的自适应瞳孔提取算法。在保证识别精度的条件下,提高了算法的鲁棒性和速度。在传统的RANSAC算法上优化了边缘点集合的筛选及补全和自适应初始点选择。首先,通过计算图像像素的梯度变化,确定图像中的边缘点。然后,对边缘点集合进行直线检测和边缘补全,提高了在瞳孔被遮挡的情况下算法的鲁棒性。最后,根据图像质心自适应地选择算法拟合的初始点,减少了算法迭代次数,从而提高算法的效率。将该算法和传统RANSAC算法、Deep VOG深度学习算法在CASIA、IITD公开数据集上进行比较。结果表明,在拟合准确率上三种算法均达到了较好的拟合效果。本文提出的瞳孔拟合算法可以达到97%的准确率。另外,在相同准确率的情况下,本文的瞳孔拟合算法运算速度更快,处理时间可以达到12.01ms。同时,针对瞳孔受遮挡的场景,本文提出的算法具有更好的鲁棒性,对瞳孔遮挡的图片有着83.8%的识别率。（3）针对不同的视线追踪场景,本文提出了两种不同的视线追踪模型,并比较了二者在不同深度下准确度和精确度的优劣。基于多元回归的注视点预测模型是通过求解多项式变换函数,以模拟瞳孔中心和注视点二者之间的映射关系,此算法适用于在空间内某一特定深度平面内的注视点预测。基于三维视轴向量的注视点预测模型将瞳孔图像经过仿射变换,在三维坐标系下对人眼双球模型进行建模,以计算三维的光轴向量,最后计算左右眼视轴向量于空间中的交点,令其作为三维注视点。同时,针对构建人眼-注视点三维模型时存在的深度信息未知的问题,本文提出了一种基于三维视轴向量的二维注视点深度校正的注视点预测模型,解决了上述深度信息未知的问题,并在现实场景下进行了测试。综上所述,本文对可穿戴式眼动仪提取的瞳孔图像进行分析建模,完成从瞳孔图像到注视点的预测。并针对视线追踪常见的问题进行了优化,解决了外界光照条件、瞳孔遮挡、眨眼等因素对算法鲁棒性的影响,能够准确的对三维空间内的注视点进行估计,并能够实现实时的预测被试者当前注视点位置。