视线方向作为一种重要的预测目标注意力的手段,在科学、医疗、商业、教育、刑事、人机交互等各个领域都有深入广泛的应用。随着微电子技术和数字图像处理的不断发展和进步,越来越多的眼动跟踪与视线估计方法被发现。然而,现有的视线估计系统往往具有很多缺陷和限制。如何在尽量减少设备、降低系统复杂性、简化标定过程的同时,打破光照条件的限制,提高对于头部姿态的耐受度,提升估计精度是一个非常具有挑战性的课题。本文针对基于形状的虹膜中心定位方法不够精确的问题,提出基于三维眼球模型的虹膜中心定位方法。针对现有的基于深度学习的视线估计方法模型复杂度较高的问题,本文改进了网络结构,同时引入时序信息,在减少网络复杂度的同时,增加了网络的预测精度以及对于不同光照和图像分辨率的鲁棒性。本文提出一种基于三维眼球模型的精准虹膜中心定位方法,利用虹膜中心位置与眼球中心位置之间的位置关系与虹膜轮廓的几何关系,解决眼球转动引起的虹膜轮廓变化问题。首先,使用监督式下降方法(SDM)定位得到脸部特征点,利用得到的特征点初步计算虹膜中心位置;然后,对初始虹膜中心位置在八领域方向进行迭代;最后,根据虹膜中心的位置对虹膜轮廓进行更新,以相邻两次迭代的方向相反时的位置作为最终的虹膜中心位置。在BioID和GI4E数据集上的实验结果表明,本文方法可精准定位虹膜中心位置。在实际的室内环境下实验,本文方法亦取得鲁棒精准的定位结果。本文提出一种改进Itracker静态模型的方法来预测单帧图像的视线方向,并利用多对一的双向长短时记忆网络时序模型来拟合时序信息。通过移除原有Itracker模型的人脸网格模块,合并左右眼模块来改进静态模型。实验表明,改进后的静态模型在参数减少接近一半的情况下,在MPIIGaze数据集下与现有最新方法相比,视线估计精度得到了11.6%的显著改善,且对于不同的图像分辨率具有鲁棒稳定的估计精度。在EyeDiap数据集的评测中,提出的时序模型又为静态模型带来了3%的精度提升。