数据融合技术将来自多个传感器的信息相结合,以实现比单独使用单个传感器所能达到的更高的准确率和更具体的推论,因而被广泛应用于军事、医疗、人机交互、目标跟踪等领域。神经网络作为一种经典的人工智能算法,其在处理非线性问题方面具有良好的效果,而卷积神经网络作为深度学习的代表算法之一,其具有强大的特征表示能力且可并行处理的优点。所以,本文对基于卷积神经网络的数据融合算法进行了研究,并将其用于眼动跟踪数据融合问题。论文主要工作如下:1.提出了基于卷积神经网络的时间序列数据融合算法。针对深度卷积神经网络(DCNN)对于长距离信息的依赖性不足、网络初始输入特征鲁棒性较低等问题,本文提出了一种结合降噪编码器(DAE)、DCNN以及自注意力机制的改进数据融合算法(记为IDCNN算法)。该算法首先利用降噪编码器对输入信号进行去噪重建处理,其次在DCNN网络中增加自注意力机制模块,最后将IDCNN算法与DCNN、BPNN算法在UCI数据库中的两个数据集上进行对比,实验结果表明IDCNN算法的融合性能更为突出。2.提出了基于深度学习的眼动跟踪数据融合算法。针对传统数据融合算法在多场景下的眼动跟踪数据融合效果较差,本文提出了一种新的基于深度学习的眼动跟踪数据融合算法,即Eye-CNN-BLSTM算法。该算法首先在原始眼动跟踪数据空间位置信息基础上添加新的人工特征;其次将卷积神经网络与双向长短时记忆网络结合,设计了新的融合结构;实验结果表明,与六种经典数据融合算法相比,本文算法在OTB-100数据集上融合性能更优。综上所述,本文所提出的改进算法均取得了较好的效果,但算法在网络参数设置、运行效率等方面有待优化,这是进一步的研究工作。