随着教育事业的飞速发展和人口的增长,人们对教育的的重视与日俱增,随之带来的是校园内人口容纳量与日俱增。同时,学生发生异常行为和危险动作的频率也会增加,校园安防压力进一步加大。仅仅靠着人工对高校进行管控的方式繁琐且效率低下。校园监控成为高校用于管理校园的普遍手段,不断完善的智能视频监控分析系统已经在校园管理部门发挥了一定的作用,在节省大量劳动力的同时,能够对大范围校园环境进行实时的监控,防止意外情况的发生,弥补人力物力不足,协助管理人员发现危险行为和减少突发事件发生。基于以上考虑,本文开展基于深度学习的校园环境下学生状态及异常行为识别研究。首先,本文针对校园内硬件设备更新迭代慢问题和人流量大的问题,开展低硬件需求、训练速度快和精度高的多人脸识别算法研究,提出一种基于ABASNet的轻量级多人脸识别算法。在此基础上使用H-softmax提升该算法的实时性,解决了在硬件条件低的情况下,依然能够快速准确的实现校内人员的身份识别。并在公开数据集中验证该算法的实时性和评均精度。在课堂环境和校园内暗光环境下验证该算法的适应性,在嵌入式设备中验证其轻量性。同时,针对非正面朝向摄像头难以对学生进行身份识别的问题,提出一种基于Multi-angle ID的多角度身份识别算法,将one stage目标检测算法、Deep Sort算法、ABASNet算法融合,并在前向推理过程中将卷积层与BN层合并,通过消融实验和对比实验验证该算法性能,最终实现校园内的多角度的身份识别。然后,针对学生心理压力主要来源于学习压力的问题,开展课堂内的学生状态识别和心理压力分析研究,提出一种基于MECN head的学生课堂行为识别方法,结合Multi-angele ID统计每个学生的课堂状态,并对学生心理压力进行分析。最后,针对传统校园监控平台对异常行为和危险状态的预警速度慢问题,开展校园内危险状态和危险行为识别方法研究。使用Bisenet算法识别出危险区域,并提出基于FL-RFCN的危险区域小目标人体检测算法。同时,针对心理压力较大的学生发生意外事件更高的问题,对进入危险区域的学生进行检测和多级预警。最后,将MECN head和Multi-angle ID算法应用于校园环境内异常识别,防止校园意外事件发生,为校园安全和管理提供更佳的保障。