眼球的动作又称眼动（eye move）,是人对事物进行观察时的直接反映,人眼注视点即人在观察事物时视线落在物体表面上的一点。通过分析眼动信息对人眼注视点进行跟踪研究不仅可以直观地了解到人的内心活动与思维方式,还能够通过对眼动信号的模式与规律进行分析,将其结果应用在人机交互等领域。基于线性多项式映射模型的拟合方法常被用于计算人眼视线方向和注视位置,但由于该方法是将采集得到的数据直接与标定解得的参数线性相乘,会使拟合得到的结果不理想,尤其是上下两端的边缘部分误差较大,严重影响拟合精度,只能满足十分有限的视线追踪需求。此外,对于视线追踪而言,实时性同样非常重要,较好的实时性才能使眼机交互拥有意义。本文针对上述问题,通过对现有基于眼动追踪的注视点检测相关研究进行分析对比,以提高拟合精度、降低算法复杂度、优化数据处理流程以及保证实时性为目的,在现有研究的基础上,将性能较好的Yolov5深度学习框架,与Canny边缘检测算法相结合,提出了一种基于非线性最小二乘法的L-M算法,该算法实时性好,鲁棒性强。本文的主要研究内容如下:（1）使用Yolov5深度学习框架对眼部区域进行识别,使用一个轻量的模型,即可高效快速的锁定虹膜位置。再使用Canny边缘检测算法搭配该模型进行检测,相较于传统算法降低了误检率,使中心点的拟合更加稳健。（2）采用一种非线性最小二乘优化的Levenberg-Marquardt算法,通过数次迭代,拟合出最优参数方程组,相比于需要大量参考样本的传统线性最小二乘法,该方法只需少量样本,即可快速迭代出最优解。实验表明,在受试者眼球距离标定平面50cm的距离下,六位受试者在标定实验中得到的平均角度误差为0.64°。（3）为了减小系统误差对实验结果带来的影响,本文参考了目前国内外主流的眼动或视线追踪设备的结构方案,自主设计了一款双近眼红外头戴式人眼注视点跟踪眼镜。该设备模拟头戴式的、可自由移动的眼动追踪眼镜,其携带的三颗小型摄像头可以捕捉受试者的双眼眼部图像以及前景图像,图像数据通过USB数据线传输至台式电脑进行处理,可以实现在处理终端附近的小范围空间内自由活动时,对人眼注视点进行实时追踪。