伴随着计算机视觉技术的发展,作为其重要分支之一的人体行为识别技术也被广泛应用于多个领域。而在课堂环境中通过分析学生的课堂行为,形成有效的教学反馈,是提高课堂教学质量和教学成果的有效措施。传统的课堂行为识别方法侧重于识别交互行为本身,而非群体发现。个体间的交互行为是课堂行为传播的重要方式,课堂环境下交互群体及核心人物的准确定位与发现,能够代替教师对课堂“学生-学生”间的互动进行自动化监控,提升课堂互动效果评价的准确性。与传统RGB图像行为识别方法相比,使用骨骼数据表示人体行为,具有不受光线和背景干扰、数据量小、保护隐私等优点。本文针对课堂环境下获取的骨骼行为数据,对交互群体发现和群体核心人物检测进行研究,具体内容如下:（1）为了解决课堂环境下多人交互群体发现问题,提出了一种基于Granger因果分析的课堂交互群体发现方法。首先,利用对称正定矩阵（Symmetric Positive Definite matrix）能够更好表达非欧式黎曼几何空间的性质,对骨骼行为数据的空间拓扑结构进行二阶统计信息的表示。通过计算骨骼序列数据的协方差矩阵（Covariance Matrix）,并将其向量化,用以描述学生的骨骼行为数据的时空特征;其次,使用格兰杰因果检验模型进行交互性分析,通过计算交互对象节点间的最大团,实现交互群体检测;最后,通过Kinect获取的课堂交互行为视频数据进行验证,在多个数据集上表明了方法的有效性。同时,与基于图论的聚类方法在四人中三人交互、六人中三人交互和六人中四人交互数据集上进行比较,准确率分别提升了4.7%,45.5%和4.6%。（2）为了解决多人交互群体中对群体行为起主导作用的核心人物检测问题,采用对网页链接重要性排名的思想,提出了一种基于Page Rank改进算法的核心人物检测方法。首先,通过定义包括交互强度、节点介数、交互频次三个因素的个体影响力评价指标体系,对群体中每个个体进行影响力计算。然后,将评价指标定义为个体影响因子并与Page Rank算法结合,通过各个节点的Page Rank值大小决定核心人物。实验表明了本方法在模拟真实的标准课堂数据集和智慧课堂数据集上都表现出良好的性能,与经典Page Rank和G-Page Rank算法相比,在两个数据集上的准确率分别提升了8.3%、16.1%和11.7%、8.3%。（3）结合本文所涉及的方法设计并实现了一个基于骨骼数据的课堂交互群体及核心人物发现原型系统。系统通过Kinect传感器采集学生课堂行为骨骼数据,采用协方差融合向量化和因果分析方法进行交互群体发现,采用Page Rank结合个体影响力评价指标的算法进行核心人物检测,最后对群体发现和核心人物定位结果进行可视化。