信息时代的到来，对人机交互提出了更高的要求。视线跟踪技术作为一种新颖的交互方式，吸引许多研究人员的研究兴趣，同时，图像处理、模式识别等一些技术的发展，为基于图像的视线跟踪技术的发展提供了技术支持，一些实用性的视线跟踪产品相继在市场中出现，获得了一些积极的反响。其中，头戴式视线跟踪系统由于其便携性，在一些应用场合具有不可替代的特殊用途，因而成为视线跟踪研究领域的一个研究热点。截至目前，头戴式视线跟踪领域依然存在一些问题没有得到很好的解决。例如，标定效率问题。目前的头戴式视线跟踪系统的标定过程较复杂，时间较长，一般在20s以上，不方便用户使用。再例如，由于头盔滑动所造成的跟踪误差变大的问题，目前依然没有一个有效的、可实用化的解决方法。　　 本文对头戴式视线跟踪系统中标定和头部支架滑动问题进行了研究，主要工作和贡献如下:　　 1、制作了一套头戴式视线跟踪实验系统，系统包括眼睛摄像头、场景摄像头，红外灯和头盔。系统基于一个红外标定点、或一个可见光下的图像标定点实施一点标定。　　 2、设计了一种一点标定方法，基于一个标定点，通过头部转动采集标定样本，以计算映射模型。一点标定可将系统标定时间缩短至10s，同时避免了标定点切换带来的负面影响，提高了标定效率和方便性。同时本文对一点标定的极限效率进行了测试，在DLT、二次多项式、极端学习机三种映射模型计算方法下，一点标定在保证2°的精度前提下，可以进一步缩短标定时间至5s。　　 3、采用一种快速神经网络模型-极端学习机(ELM)计算映射模型。同时将其与BP网络、直接线性变换(DLT)、多项式等方法在一点标定和多点标定情况下的学习性能进行综合比较，实验结果验证了极端学习机算法的有效性。　　 4、采用图像匹配的方法，计算眼睛图像的平移量，对头部支架滑动带来的误差进行修正。实验表明本文采用的图像匹配法计算图像平移量，误差在3～5个像素，较此前的眼角定位方法具有更高的精度，可以修正一部分由于头部支架滑动导致的误差。