本文主要研究智慧课堂中的学生视频行为分析,借助大数据与云计算的兴起推行量化学习,对于学生的课堂行为与状态进行智能识别。在当下,基于人工智能的智慧课堂是提高教学质量和教学效率的一种新方式,也是响应国家推行教育改革政策的迫切需求,而学生行为的智能识别与检测是实施智慧课堂中的一个关键环节。为在教室应用场景下更加高效准确地对学生课堂行为进行识别分析,本文所做主要工作如下:（1）采集实际教学场景中的监控视频数据,并对采集的视频影像进行抽帧处理以及图像帧级别细粒度的标签标注。同时为了得到更好的模型训练效果,对数据集进行数据清洗剪枝、数据增强等预处理工作。最终完成了视频行为分类与视频行为检测的两种数据集从制作到数据载入前的全部工作。（2）在视频行为分类中,以R（2+1）D网络为基线模型展开研究工作,在3D网络中优化并适配Pre-Activation结构、提出时空解耦卷积模块、新的多层语义融合模块等一系列优化策略。最后通过对优化模型进行实验验证,发现不仅模型收敛速度变得更快,而且在视频行为分类任务上也取得了更优的准确率。（3）为满足复杂的教室场景以及多目标检测的实际应用,本文又在单目标视频行为分类任务的基础上进一步研究多目标的视频行为检测任务。在多目标的视频行为检测中,以YOWO模型为基线,使用优化改进的R（2+1）D进一步调整网络适配输出结构作为3D骨干网络,采用Darknet作为2D骨干网络辅助目标检测定位,同时在模型的训练与检测机制上将基于先验锚框的YOWO模型改进为无锚框的视频行为检测模型。在多目标检测模型优化的对比实验中采用多种评价指标进行综合评估,各改进策略对模型性能都具有较大的提升。基于本文所提出的数据集制作方案以及优化改进策略,促进了适用于教室场景视频行为识别模型的应用。同时本文的相关研究为智慧课堂的方案实施提供了参考,对人工智能领域以及教育改革方面都具有一定的研究应用价值。