视线估计技术在人机交互、人类情感分析、商业广告等方面拥有广泛的应用前景,随着近年深度学习的发展,基于深度学习的视线估计方法成为视线估计领域的热点。最近的研究表明,在基于深度学习的视线估计方法中,相比于眼睛图像输入方案,全脸图像输入的方案使用到的整个面部区域信息有利于提升估计精度。针对现有的基于深度学习的全脸视线估计方法模型计算量大的问题,本文提出了基于通道和空间注意力机制的改进网络,此网络在公开数据集上展示了更快的训练速度和更高的精度。本文的主要工作如下:首先研究了全脸视线估计中的数据预处理技术,对数据预处理过程中的人脸检测算法进行了讨论,通过在采集的室内人脸图像上测试真正例率和运行速度,分析对变换头部姿势的视频的检测结果,综合选取Open CV中基于深度学习的人脸检测算法。然后建立了个人全脸视线数据集。通过设计的软硬件平台采集了3个参与者共计10140张全脸图片,采集时头部姿势自由,视线范围覆盖屏幕。最后提出了基于通道和空间注意力机制的改进网络。通过调整Dense Net作为主干网络,引入注意力机制使网络更明确的学习不同通道和区域的重要性,通过将通道-空间注意力模块的聚合方式由加法改为点乘法来改进通道-空间注意力机制方案,并通过分析注意力模块的通道和空间注意力的分布来验证注意力模块的作用。该网络和全脸视线估计基准方案使用的Alex Net相比参数量由61.10M降到9.75M,训练速度提高两倍。在MPIIGaze数据集上进行留一交叉评估,该网络的评估误差相比Le Net的单眼视线估计方法降低24.5%,相比Alex Net的全脸视线估计方法降低5.7%。在个人视线数据集上的跨数据集评估误差相比Alex Net降低11.2%。