人类很大程度是依靠人眼来获取外部信息,通过对人眼视线点的分析,可以获得人类的感兴趣点,从而得到人类的心里活动信息。由于人眼的重要性,如今已经生产出很多以人眼作为媒介的眼动设备,它在临床医学研究、心理学研究及教育研究等领域,有着广泛的发展前景。虹膜的定位与眼动数据分类是实现眼动设备的关键技术。因此,本文对这两个技术进行了分析与研究,并取得较好的实验结果。以下几点为本文的主要内容与创新点:(1)现有的基于传统算法的虹膜检测鲁棒性较差,而基于深度学习的算法检测效果较好,但其计算量大、检测速度慢。本文针对这一缺陷,提出了一种基于深度学习的轻量化网络结构DDSNet,此网络采用密集块的结构,能够在卷积核个数很少的情况下有着较好检测效果。通过使用深度可分离卷积,进一步的减少了模型的计算量。为了提高模型性能,本文加入了数据增强策略,对训练集的图片进行变换,增大其规模,提高了模型的鲁棒性。在虹膜数据集上对本文的结构进行了评估,相比于其它的轻量化网络,模型的速度显著提高,存储量明显降低。模型在GPU下1秒可以检测639张图片,存储量进仅为1.3M,F1得分达到了99.95%,可以看出本文的模型在速度、存储量与精度上均有着很好的表现。(2)本文使用了基于深度学习的眼动分类算法,此方法首先提取了5个不同时间尺度的特征,将其输入到一维卷积中提取内部特性,并使用BLSTM获取数据集中前后时序间的关系。在Gaze Com眼动数据集上进行测试,发现平滑尾随点的F1得分较低,故通过以下方式对算法进行改进。对少数类样本平滑尾随点与眼跳点采用重采样和人工合成对数据进行增强,提高了少数类样本的数据量。使用了focal loss损失函数,增加了难样本的学习权重,加强对难样本的学习。在网络结构中加入注意力模块,对特征重标定,加强了重要特征。通过这些方式的改进,使模型有了更好的分类能力,使注视点、平滑尾随点与眼跳点的F1得分分别提高了1.2%、3.5%和2.4%。