孤独症谱系障碍（Autism Spectrum Disorder,ASD）的社会交往障碍的一个主要表现是面孔加工异常。本文基于眼动追踪技术从手动划分兴趣区和自动划分兴趣区两个方面对ASD儿童的非典型面部扫描模式进行分析,并进行特征选择和分类。首先,设计了基于静态面孔的眼动实验范式,并采集了85名3-6岁ASD儿童眼动及行为数据和性别年龄相匹配的89名正常儿童的眼动数据。其次,在基于手动划分兴趣区的研究中,从与时间序列无关的静态分析（统计分析和相关性）和与时间序列相关的动态分析（扫描频率和马尔可夫链熵）两个角度对本国陌生面孔和异国陌生面孔进行分析。结果表明孤独症儿童有着非典型的面部扫描模式,本国陌生面孔注视时间百分比可以预测ASD儿童某一方面症状的严重程度。使用T检验进行特征选择并使用逻辑回归、决策树、随机森林和支持向量机四种算法进行分类,结果显示支持向量机分类准确率最高为82.22%。最后,基于眼动注视坐标使用k-means聚类算法将本国陌生面孔和异国陌生面孔自动划分成64个兴趣区,坐标频率作为特征,使用最大相关最小冗余算法进行特征选择后再分类,并计算出ASD儿童和TD儿童具有显著性差异兴趣区。结果表明,特征选择后支持向量机算法分类准确率最大达到86.73%。与手动划分兴趣区分类准确率和性能相比均有所提高,并且相比TD儿童,ASD儿童更多地注视背景部分以及身体部分,更少地注视面部的三角区域。本文从临床应用角度出发,寻找能够有效识别ASD儿童和TD儿童的眼动特征,经过特征选择建立分类模型。研究结果表明,基于不同面孔扫描模式能提供足够的信息来区分ASD儿童和TD儿童,为孤独症的辅助诊断提供客观的指标。