绝大多数人脸识别算法在提取人脸特征之前都是利用眼睛的位置进行人脸的几何仿射校正等预处理；一些识别方法还要特别提取眼睛的特征作为识别特征。目前眼睛定位在医学领域、军事领域等也获得了发展。本文将已在人脸检测领域获得成功用的Adaboost算法经过改进应用在眼睛定位,并达到了满意的效果。　　 本文首先仔细分析了Real Adaboost算法的机制,并用严谨的理论推导说明了所使用的Real Adaboost算法的弱分类器构造方法及各个弱分类器组合成强分类器的方式的最优性。　　 为了加快检测速度,通常会采用层次型结构的Adaboost分类器。基本的层次型结构即Cascade层次型结构的层与层之间的关联性太弱,浪费了很多有用的信息。本文采用了一种新的层次型结构-Nesting层次型结构。本文通过对比实验说明,在相同的条件下,Nesting层次型分类器有着比Cascade层次型结构分类器更优越的性能,而且用的弱分类器数目也要远少于Cascade层次型结构所用的弱分类器。　　 针对戴眼镜、闭眼等多种模式下的眼睛定位的复杂性问题,本文采用了向量Boosting算法。向量Boosting算法实际上是Real Adaboost算法的一种有效扩展,它能很好的解决多模式的问题。本文通过实验证明,在处理多模式问题上,向量Boosting算法是一种更优越的算法。　　 本文将Real Adaboost算法、向量Boosting算法、Nesting层次型结构、Haar特征、积分图像等关键技术分别实现,并训练了眼睛检测器。但是眼睛检测器往往有几十个甚至上百个检测结果,为了挑选出正确眼睛结果,本文采用双眼验证的机制。实验表明,本文所设计的系统能快速、准确的进行眼睛定位。　　 在论文最后,研究了眼睛定位算法在SAR目标检测中的应用并取得了不错的效果。针对检测结果中含有虚警的情况,引入了置信度的概念,把那些置信度比较低的目标筛除掉能有效的去除虚警。