人类对外界信息获取与情感传递的方式有很多种,其中通过人眼获取信息尤为重要,通过对视线信息的处理可以使机器对人类行为做出判断,从而理解人类的意图。如今视线检测在数据分析、人机交互和娱乐应用等多个领域发挥重要作用,在拥有广阔发展前景的同时也面临巨大挑战。深度学习概念的提出使人机交互方式有了重大突破,将深度学习框架应用到视线检测技术中成为重要的研究课题。基于深度学习的视线检测属于非线性回归问题,重点研究神经网络对回归问题的处理方法,网络拟合和泛化能力是判断网络模型优劣的重要指标,传统卷积神经网络因网络层数的限制难以提高检测精准度。针对以上研究存在的问题,本文提出基于残差网络的改进型双通道网络结构,在研究如何提高数据集质量的同时,研究双通道残差网络的网络结构和视线检测特征融合问题。本文主要贡献如下:(1)现有的大型数据集中存在大量无效样本,例如面部遮挡、面部阴影、眨眼瞬间造成的瞳孔遮挡、反光点造成的瞳孔遮挡等。本文针对以上因素造成难以识别的无效样本加以筛选,提高数据集整体质量,从而提升检测精准度。(2)提出基于残差网络的双通道网络结构,利用残差网络层数加深而不会出现明显过拟合和梯度问题的特性,通过双通道特征提取,在全连接层将两个通道的特征进行融合,从而提高视线检测的精准度,实验证明该方法取得了良好的检测效果。(3)提出全连接层部分激活,该方法是将人眼瞳孔位置信息通过前向传播算法映射到全连接层,通过这种方法间接的将瞳孔位置信息传递给残差网络,使单个全连接层实现多个全连接层的功能,并针对该方法的不足提出改进型双通道残差网络模型,在Gazecapture数据集中取得平均训练误差为1.93cm的检测结果,检测精准度和训练速度均有提升。