人眼扫视路径,是人类观察者在没有外在任务要求自由观察的条件下,人眼浏览图像或者视频时视觉注意力所形成的轨迹,能够体现出眼球运动的动态过程。相比于视觉显著性,人眼扫视路径更能够反映人类的视觉搜索行为,从而加深研究人员对动态视觉注意力的理解。因此,深入研究人眼扫视路径,对于推动视觉行为认知领域的科学研究进展,加快实现更高层次的智能机器感知,具有十分重要的科学价值。国内外目前的人眼扫视路径预测研究,一类是利用人类视觉系统相关的生理学原理,构建扫视路径预测模型,这类方法能够很好地对注视点之间进行时序建模,具备较好的可解释性,但缺乏较强的视觉特征表示能力,取得的预测精度不高。另一类是使用基于深度神经网络模型,直接利用图像和眼动数据进行端到端的学习,预测效果较好,但鲜有显式地利用到视觉生理学机理,仍存在较大的改善空间。本文针对这些问题,提出了一种同时考虑视觉生理学基础和深度学习计算模型的方法,实现了在自由观察条件下的人眼扫视路径预测。其中,本文提出了中央凹视觉显著性预测模型,实现了图像局部空间的选择性视觉注意力建模;还提出了基于图像局部感兴趣区域内容的注视点时长预测模型,实现对人类注视行为时间的模拟;最后,本文利用中央凹视觉记忆和动态的注视点时长,对经典的返回抑制原理进行了重新建模,使得图像的空间内容和视觉记忆的时序衰减,与人眼最终的扫视路径点建立了关联性。各个模块紧密联系为一个整体,实现了利用任意单张图像自适应地预测人眼的扫视路径。本文提出的方法,可以同时处理注视点之间的时序依赖性,以及图像的空间特征与注视点之间的相关性带来的挑战。本文提出的算法,在目前公开的几种眼动数据集上进行训练和测试,在多个客观评价指标上,均取得了当前最佳的人眼轨迹预测效果,并且通过对算法的几个重要方面进行了全面的分析性实验,验证了本文提出的算法的有效性,最后讨论了算法的不足以及未来的改进方向。