传统方法进行人眼视线估计时,由于复杂的硬件系统环境会导致人眼视线估计的结果出现较大误差。为了减小误差,本文简化硬件系统,只利用一个网络摄像头采集图像,并以深度学习理论为基础,在人脸关键点信息获取的基础之上,提出一种以人眼瞳孔定位与头部姿态估计相结合的方法,来提升人眼视线估计的精度。本文主要在以下几个方面展开了研究:（1）对人眼视线估计所需的人脸检测算法,人眼定位算法,头部姿态估计算法等进行深入研究,并对一些常用算法的基本原理以及网络结构进行分析。然后又对YOLOv3算法进行了改进,以Mobile Net-v3模型作为网络的backbone进行训练,以提高模型的训练速度。（2）提出了一种利用多角点联合检测的瞳孔定位方法。首先采用预先训练好的模型进行脸部和眼部检测,在此基础上利用眼部图像的角点信息,对瞳孔位置进行定位,通过实验论证对比,选取了4个角点联合检测瞳孔中心的位置。（3）改进了一种头部姿态估计方法,将深度残差网络Resnet-50与注意力机制模块相结合来训练网络模型。此方法借助数据集300W＿LP中的图片训练头部姿态模型,然后进行姿态估计,最后在公共数据集上与其他方法进行平均误差的对比验证,通过对比表明本文所采用的头部姿态估计方法所产生的误差更小。（4）在人眼瞳孔定位和头部姿态估计算法改进研究的基础上,对人眼视线估计方法作出改进。在进行头部姿态估计时加入校正模块来减小误差,并结合人眼瞳孔中心的位置信息进行人眼视线估计,然后在MPⅡFace Gaze数据集上将基于MTCNN人脸关键点检测方法、基于FSA-Net算法的人眼视线估计方法以及本文方法分别进行对比,最终实验结果表明本文所采用的人眼视线估计方法优于其他两种方法,能够对视线方向做出更准确的判断。