考试是国内外通用且最有效的考察知识掌握程度的方法之一,被广泛应用于各种人才选拔中。目前线下考场通常在人工现场监考的基础上,结合考场监控视频复查进一步强化监考力度,然而该监考方式不仅需要花费巨大的人力物力成本,而且无法全面检查出考试过程中的作弊行为,考试的公平性得不到保障。为提高监考工作中视频复查效率,节省更多的人力成本,加强监考力度,本文提出使用目标检测算法实现考场作弊动作自动检测。为提高视频检测的速度,提出了一种新的视频检测方法,实现了在普通性能计算机上进行考场作弊动作实时检测的目的。本文就考场作弊动作检测做了如下研究:首先,本文就所研究问题对国内外研究现状进行了分析,通过对比传统算法和深度学习算法,选择检测精度和速度更胜一筹的One-Stage深度学习算法作为主要研究对象。通过对考场作弊动作进行分析,将其分为“东张西望”、“趴在桌上”、“手放桌下”、“传递物品”四大类,并对获取的考场监控视频进行处理和标记,获得包含4450张训练图片、470张测试图片的考场作弊动作数据集。其次,本文通过对SSD算法进行分析,利用SSD算法建立了考场作弊动作检测模型,并利用Mobile Net替换VGG-16作为新的主干网络对SSD算法进行了改进,测试结果表明,改进的SSD算法具有更好的检测精度和速度,但其精度低于85%,未达到应用需求。然后,本文通过对YOLO算法进行研究,利用检测效果更好的YOLOv3、YOLOv4、YOLOv5分别建立了考场作弊动作检测模型,通过对检测精度和速度进行对比,选择表现最好的YOLOv5算法进行改进,通过在网络中引入CA注意力机制,使用EIo U Loss取代GIo U Loss作为边界框损失函数、使用DIo U NMS算法代替传统的NMS算法,提高了算法在考场作弊动作检测场景下的检测精度,最终模型的检测精度达到89%,达到了该应用对检测精度的需求。最后,提出了一种跨帧三线程视频检测方案,进一步提高了模型在普通性能计算机上的检测速度,实现了考场作弊动作的实时检测。通过对考场作弊动作检测程序图形用户界面进行设计,并对程序进行封装,使得该程序可以在任意一台未安装python环境的计算机上运行。