随着现代社会的高速发展和信息时代的到来，人眼定位在诸如身份识别、人机交互等领域中起到愈来愈重要的作用，人们不仅对准确率和精确度有着更高的追求，而且交互体验提出了新的要求。　　针对当下人们对定位效果更精确，实时性和鲁棒性更好的人眼定位算法的需求，本文首先对人眼定位算法进行了归纳和总结，着重研究了传统的基于人眼几何特征的定位算法与实现了其中部分有代表性的方法，诸如基于积分投影的人眼定位算法和基于等照度线曲率的人眼定位算法等。针对其鲁棒性不强，时间复杂度过高等问题，为此本文提出了一种基于自适应梯度提升决策树模型的随机森林算法，从决策树模型、训练样本处理、定位流程等多个角度优化了传统的随机森林算法。本文的主要工作是基于梯度提升决策树模型从大量多样化归一化人眼样本中训练学习得到回归树,并且针对单个回归树能力较弱的情况，本文通过集成技术将训练得到的多个回归树组合成为一个强分类器，即随机森林。同时在预测过程中，通过类似金字塔的多级定位结构，实现了性能的进一步提升。　　经过实验验证，改进的随机森林算法表现了出色的实时性和定位精度，定位速度能达到小于1ms，在精度和鲁棒性方面已经超越了现有的绝大多数方法，在BioID库中粗定位成功率为100%，其中精细定位的成功率达到了90%。