随着科技的发展和时代的进步,各行各业相对以往都有了翻天覆地的变化,人们的生活方式、工作方式也产生了极大的改变。互联网技术发达的今天,传统课堂教育也面临着巨大的挑战。近些年来,网络课程教育愈加流行,人们只需要一台电脑在家便可以进行视频学习,极其方便。然而,不可否认的是,尽管网络课程教育拥有诸多优点,但是相比传统教育方式,它也存在着不少缺点,其中缺乏即时反馈是网络课程教育存在的主要问题之一。尤其今年由于新型冠状病毒肺炎的影响,学生们需要在线上课,教师对于学生们的课程学习情况更难掌握,找到一个有效的方法使教师可以在上课的时候获取学生的即时反馈已刻不容缓。当前,脑电图（Electroencephalogram,EEG）已被成功应用于多个研究领域,比如疾病检测、生理学、工程应用领域等,但基于EEG进行大脑困惑状态的研究却很少。所以为了解决上述问题,本文以学生观看在线课程时的EEG信号作为数据集,将深度学习方法的强大数据特征学习能力与支持向量机（Support Vector Machine,SVM）基于特征的良好分类性能相结合,设计并搭建了基于BiLSTM-SVM模型的困惑状态识别框架,以此来对学生们的困惑状态进行分类预测,通过一系列的参数调整,模型在数据集上表现甚佳,验证了本文模型的有效性,为解决网络课程教育中存在的即时反馈问题提供了一条可行的思路。主要研究工作如下:（1）详细介绍了循环神经网络（Recurrent Neural Network,RNN）及其变体长短期记忆网络（Long Short-Term Memory,LSTM）的基本结构和相关理论知识,设计并搭建了基于BiLSTM-SVM模型的困惑状态识别框架。模型主要分为5个部分,分别是输入层、批归一化（Batch Normalization,BN）层、BiLSTM层、SVM分类层和输出层;然后详细阐述了模型中BN层、BiLSTM层、SVM分类器的作用,其中BN层在对数据进行批归一化的基础上,加快了网络训练的速率,还在一定程度上起到了防止过拟合的作用;BiLSTM层是在单向LSTM的基础上进行了一次反向传播,可以更好的提取上下文特征;SVM分类器对低维特征有较好的分类性能,可以对BiLSTM层学习到的特征进行更好的分类预测。（2）搭建模型进行实验和分析。为了使本文提出的模型在数据上取得更好的结果,进行了一系列的参数优化,得到了一组最优的参数,经过实验表明,BiLSTM-SVM模型在本次困惑状态识别任务取得了较高的分类结果,相比目前在本数据集的最高准确率73.30%提高了 3.37%,表现较好。然后在相同的平台上构建了 BiLSTM模型进行实验,通过对BiLSTM模型的参数调优,得到了 BiLSTM模型的最优结果,将两个模型的结果进行对比分析,表明了 BiLSTM-SVM模型在困惑状态识别任务中的优越性。