近年来,在线课堂凭借学习时间可控、学习内容可选、学习地点灵活等优势受到广大学者的追捧,2020年初爆发的新冠疫情也给在线教育带来了前所未有的发展机遇。然而,在线课堂盛行的同时,也逐渐显露出它的不足。其中最大的不足在于教师无法实时监测到学习者的在线学习状况,从而无法了解学习者的课堂专注度,这也造成了很多在线课堂注册率很高但通过率却很低的现象。本文针对在线课堂专注度识别困难的现状问题,旨在无需借助特殊的穿戴设备,仅通过学习者在线课堂中使用的多媒体设备自带摄像头采集其在课堂上的学习数据。论文利用学习者的多个特征对其课堂专注度进行识别,先是通过学习者的面部表情特征对在线课堂专注度进行识别,再是通过学习者的头部姿态特征对在线课堂专注度进行识别,最后是融合面部表情特征和头部姿态特征对在线课堂专注度进行识别,主要研究内容如下:（1）建立在线课堂人脸图像数据集。由于在线课堂专注度的公开数据集为数不多,且相关识别研究较少,本文构建了基于多被试者在真实网络环境下的在线课堂人脸图像数据集,共有3025张图像。此外,本文对该数据集进行了在线课堂专注度和在线课堂情绪的多标签任务,即每张图像具有两种标签。（2）提出了基于面部表情特征的在线课堂专注度识别模型。首先在学习者的面部表情特征提取方面,本文使用了两种特征提取方法,第一种方法是基于面部ROI自动分割的面部表情Gabor特征提取,第二种方法是基于多卷积神经网络的面部表情特征提取,并通过SVM分类器对在线课堂情绪进行分类;其次通过在线课堂情绪和在线课堂专注度之间的等级度量关系,在自建的在线课堂人脸图像数据集上对学习者的在线课堂专注度进行识别;最后,实验表明基于多卷积神经网络的面部表情特征提取方法对在线课堂专注度的识别准确率较高,达到了76.2%。（3）提出了基于头部姿态特征的在线课堂专注度识别模型。首先通过基于脸部关键点和基于无脸部关键点的两种方法对学习者的头部姿态欧拉角特征进行提取,分别建立起学习者头部姿态欧拉角数据集D1和D2;其次分别对这两个数据集中的头部姿态特征进行扩充,将原始三维特征向量构造为六维特征向量,形成新的头部姿态欧拉角数据集K1和K2,然后利用贝叶斯神经网络模型在K1和K2数据集上进行在线课堂专注度的识别;最后,实验表明基于无脸部关键点的头部姿态欧拉角特征提取方法对在线课堂专注度的识别准确率较高,达到了72.0%。（4）提出了基于多特征融合的在线课堂专注度识别模型。主要将面部表情识别模型和头部姿态识别模型进行融合,通过决策融合的方法来预测在线课堂专注度。在决策融合方式上,采取了最大值融合和权重融合。实验结果表明,基于多特征融合的在线课堂专注度识别准确率均高于基于单一特征的在线课堂专注度识别准确率,且采取权重融合方式的识别准确率最高,比基于单一表情特征的在线课堂专注度识别准确率高出5.0%,比基于单一头部姿态特征的在线课堂专注度识别准确率高出9.2%。图[39]表[22]参[108]