随着计算机技术与非线性滤波理论的不断发展,人眼检测与眼动跟踪已经成为计算机视觉与自动化领域的前沿热点之一。本文研究并分析了现阶段人眼检测与眼动跟踪方法,并在此基础上对其不足之处进行改进。针对基于AdaBoost算法的分类器在训练过程中消耗时间过长,容易出现过训练问题,本文通过优化haar特征、丰富训练样本,自动组合级联分类器提高训练速度。在检测过程中,本文对待检测图像进行灰度化、直方图均衡化、中值滤波预处理,对检测结果进行主成分分析,提高检测精度,缩短检测时间。为了精确定位虹膜,本文分析了虹膜的固有特征,引入susan算子消除眉毛等类眼球同色点,再使用连通域方法完成。在初始化跟踪模板阶段,考虑到虹膜类椭圆的先验知识,调整了模板大小及中心,更加精确定位目标模板。针对传统CamShift算法中噪声抑制这一薄弱环节,本文在分析噪声特点基础上,提出在反向投影阶段建立筛选阈值与搜索窗口大小方程进行自适应调整,消除噪声影响。为准确跟踪虹膜,本文在颜色特征建模上引入梯度向量特征,就多特征融合提出改进,增强目标与干扰因素的差异。为跟踪双目运动状态,本文利用改进CamShift算法和卡尔曼滤波,将CamShift算法定位的搜索窗口位置作为卡尔曼滤波观测值,修正估测值,并作为下一帧CamShift算法的判定依据,提高跟踪精度。考虑到诸如闭眼,斜视等虹膜可能发生形变及非匀速运动情况,本文利用虹膜的边缘特征,使用自定义准则判断,依据其运动历史轨迹及自定义方法重新预测中心。最后建立虹膜从图像坐标系到物理世界坐标系的坐标转换模型确定人眼视线范围。通过实验分析评估,本文方法检测人眼速度较快,准确率较高,在不同测试环境下进行眼动跟踪具有实时性高,鲁棒性强,定位精确等特点,且在一定范围内确定视线效果好,能够满足非线性眼动跟踪的需要。