视线估计是对视线方向和注视点位置进行计算的过程,在众多领域都具备极大发展潜力,但是目前这种技术仍存在着训练过程需要大量的标记数据、冗余信息较多等问题。为了减少标记数据带来的成本消耗,目前的方法是希望利用可自动标注的合成数据集来替代手动标注的真实数据集,由于真实图像和合成图像之间的分布还存在着较大的差异。为了减少这种差异,以往的方法是通过训练一个模型使得合成图像学习到真实图像的分布从而更加真实化。但是,这种方法的弊端在于现有方法只考虑全局特征,忽视局部特征,且实时性和自动性都无法满足需求。针对以上问题,本文着重对大规模数据下的视线估计以及减少合成图像和真实图像分布之间的差距进行研究,主要在以下几个方面取得重要进展:1、提出了一种基于大规模合成图像近邻选择的视线估计方法,在头部姿态、瞳孔中心以及眼睛空间进行相应的特征选择,提出了一种使用图像阈值和区域修剪的瞳孔中心定位方法,能在头部移动较大的低分辨率的眼睛图像上准确地检测瞳孔中心。2、提出了一种基于大规模合成图像真实化的视线估计方法,通过参考风格转换的思想在尽保留局部信息的基础上有效地减少图像失真,减少了对真实数据注释的需求。借鉴风格转换的思想中对损失函数的设计,增加对数据的惩罚机制,提高判别效果。3、提出了一种基于大规模真实图像改良的视线估计方法,分别学习注意力区域和背景区域的特征,通过损失网络计算任务导向的损失以保证减少真实图像和合成图像之间的分布差距。综上,本文在研究大规模数据下的视线估计以及减少合成图像和真实图像分布之间的差距的基础上,基于近邻选择、生成对抗网络以及风格转换的思想,提出了三种不同思路的视线估计方法,实验表明三种方法在多个公开数据集上分别能取得最优的视线估计精度。