孤独症谱系障碍(Autism Spectrum Disorder,ASD)是一种严重的神经发展紊乱疾病,其三大核心症状为社会交往障碍、语言交流障碍、刻板以及重复的行为。ASD的诊断主要依赖于经验丰富的医师,包含全面的精神检查和必要的心理评估,不仅耗时长,且容易受主观因素影响。最近,很多研究开始使用生物特征信号如核磁共振成像(Magnetic Resonance Imaging,MRI)或脑电波(Electroencephalogram,EEG)等对ASD进行辅助诊断,增强了诊断的客观性,但这些信号的采集受限于精密的医疗设备和严格的室内环境。为了推动ASD儿童诊断的便捷性,本文受ASD儿童注视模式异常的启发,分阶段提出两种不受严格条件限制下基于深度学习的ASD儿童视频分类算法:(1)第一阶段采集了包含136个ASD儿童和136个正常发展(Typically Developing,TD)的小学儿童的注视行为视频,称为基础-数据集。提出了基于眼动跟踪的ASD儿童视频分类算法,在基础-数据集上取得了92.6%的准确率。(2)第二阶段新增135个幼儿园TD儿童视频。为了保持样本的均衡,从基础-数据集的ASD儿童和TD小学儿童视频中各抽取135个,合并成扩展-数据集,总计有405个视频。此阶段针对第一阶段算法的不足,提出了基于视线估计的ASD儿童视频分类算法。本文在视线估计领域首次提出带注意力机制的卷积神经网络AttentionGazeNet,对扩展-数据集实现准确的视线估计后,采用直方图法统计屏幕注视区域特征和头部姿态特征,并送入支持向量机(Support Vector Machine,SVM)进行三分类,最终取得了87.9%的分类准确率。其中ASD儿童的敏感度为88.1%,特异性达到了90.7%。本文从ASD儿童诊断的便捷性出发,提供了一种客观有效的辅助诊断方法,希望能为医疗条件不发达地区的ASD儿童的早期诊断提供帮助。