人类拥有精确跟随他人视线的能力,这种追随他人视线的能力被称为凝视识别,这种能力可以让人们更好地理解他人的意图,甚至可以预测他们未来的行动。计算机一旦掌握这种能力,就能在多个领域（教育、医疗、智能监控、VR游戏或人机交互领域）为人类提供更方便、更智能的服务。近年来,随着深度学习的不断发展,凝视识别这一基础研究取得了一系列的突破,这无疑推动了计算机视觉的进步。虽然目前大多数凝视识别算法取得了令人印象深刻的性能,但是它们中的大多数只关注凝视识别任务本身,而忽略了很多影响人凝视方向的因素。众所周知,影响人视线的因素有很多:比如场景信息这一全局上下文信息、人与物体之间的交互关系以及场景与交互关系之间信息的传递,忽略这些信息不可避免地会对凝视识别任务产生一定的影响。于是,本文提出了一种新的深度网络,并将其命名为基于场景和交互信息的循环传递凝视识别网络。基于场景和交互信息的循环传递凝视识别网络有以下创新点:（1）此网络利用图卷积网络动态更新节点间关系的方式自适应地建立人/物之间的交互关系信息。同时,为了使得网络具有更加丰富的细节信息,此网络还提取了场景级的全局信息,将其与交互关系信息进行融合,共同指导凝视识别任务;（2）对提取到的场景、人/物交互信息,此网络还设计了信息传递模块,将不同类型的信息进行更好的融合,同时将重要的信息继续传递,得到更好的凝视识别效果。为了验证所提网络的有效性,本文在Gaze Follow和DL Gaze这两个经典的数据集上进行了实验。同时,本文还将所提方法与目前一些性能优越的经典凝视识别算法进行了对比。通过实验结果表明,本文提出的基于场景和交互信息的循环传递凝视识别网络可以取得较好的效果,性能总体上优于其它经典对比方法。