目前,软硬件技术日渐趋于成熟,那些依托于软硬件基础上的监控技术也得到了发展。然而被动监控仍然是当前考试监控的主流形式,只是完成对整场考试影像的记录,而对于出现的异常行为仍然需要耗费时间去人为检索。因此,若能通过人工智能技术自动检索考场视频中的异常行为,可以更多的节省人力成本。针对这一问题,本文提出了改进时空图卷积网络（Spatial-Temporal Graph Convolutional Networks,ST-GCN）的作弊行为检测和YOLOv3违禁物品检测的考生作弊模型,该模型可以对考场中多名考生同时进行骨骼关键点检测,根据关键点信息提取有用的特征向量进行训练,可以较好地识别出伸头、伸手、站立三种异常行为。同时也可实现对考场中存在的手机、书包、书本三种违禁物品的检测。论文的主要研究工作和创新点如下:（1）提出改进ST-GCN模型。基本的ST-GCN模型存在两点问题:第一,在动作识别过程中通过卷积操作提取人体动作时空特征数据时,容易忽略人体各个关节点对运动产生的不同影响,基本ST-GCN对不同关节点赋予相同的权重方式,无法做到对识别过程中关节点权重的动态调整,容易导致关节点时空特征获取不充分的问题;第二,在基本ST-GCN时间维度特征提取过程中采用单层时间卷积,容易导致因捕获动作间的依赖性能较差而出现对时间特征提取不足的问题。为解决基本ST-GCN存在的问题,本文在基本ST-GCN基础上,融入注意力机制,实现关节点权重的动态调整;同时,将时间卷积层从单层扩展到两层网络结构,并融合残差网络,从而达到特征数据能够充分被提取的效果。并在NTU RGB+D公开数据集上进行实验,实验表明,在准确率方面,改进ST-GCN模型的比未改进的ST-GCN提高了6.9%;比单融合的注意力机制和单扩展网络结构分别提高了4.4%和5.4%。（2）提出改进ST-GCN与YOLOv3的作弊检测模型。通过对改进ST-GCN在考场真实环境下的数据集上的实验分析,改进ST-GCN模型只是对考生出现的动作行为进行识别,而无法实现对违禁物品的检测。因此在动作识别的基础上,增加轻量级YOLOv3算法作为基础搭建目标检测框架。实验表明,在动作识别的基础上添加对物品的检测,能够提高检测考生作弊行为的正确率。（3）为能够在大量视频帧数据中快速检测到作弊行为,本文在背景差分法的基础上,选择肤色检测和运动检测完成对大量视频帧图像的预处理,筛选出可疑的考生运动的帧图像。（4）最后设计验证算法仿真系统,将考场数据进行可视化处理,帮助监考老师分析,达到预期模型的推理结果。