近年来随着人工智能和深度学习的迅速发展,众多高校提出了实现校园数字化、智能化和教育信息化的目标。在整个授课与学习过程中,课堂状态是评估学生对课程接受情况和授课质量的重要参考因素。但是目前主要是通过人工方式进行课堂状态分析,会分散教师注意力,因此找到一种可以提高课堂状态分析效率的方法具有很大的研究意义。论文选择离线方式利用深度学习的方法,对一节次上课录屏视频以帧为单位从学生上课行为和出勤情况两个方面进行状态分析,其中学生行为识别部分由改进的目标检测算法完成,出勤情况分析使用人脸识别方法实现。主要内容如下:(1)SSD算法改进。通过分析SSD模型结构,针对其基础网络参数量大和对小目标检测效果不好的特点,提出了改进的SSD模型。将主干网络替换为改进后的Mobilenet网络,利用深度可分离卷积网络的特点减少网络参数提高运算速度;把更深层特征图中的信息向上融合到浅层中,以此提高小目标识别的准确率。最后在网络中融入RMSProp优化算法,实现网络模型优化加快了模型收敛速度。(2)学生行为数据集采集和预处理。通过网络搜索和实际拍摄的方式得到包含举手、端坐、写字、睡觉、玩手机五种行为2500张图像,作为目标检测数据集。为了保证模型效果、不增加模型训练难度,在训练之前首先对所有的图像进行了预处理。(3)状态分析和考勤的实现。使用Open CV库中自带的方法对课堂录屏视频进行帧提取,并将其作为学生行为识别和人脸识别的图像数据来源。分别用改进的行为识别模型和MTCNN-Insightface人脸识别方法识别提取到的视频帧,得到某帧中五种行为各自人数,以及上课学生出勤情况。其中行为识别时在一节课中需要提取多帧,而人脸识别只需要一帧即可。(4)高校课堂状态分析系统的设计与实现。使用Flask+vue框架搭建系统,将改进的行为识别方法和人脸识别方法融入系统,实现离线课堂状态的分析。将系统分为教师端和管理端,教师端负责上传课程录屏,管理端负责随时随机分析学生状态和出勤情况,两者结合形成了便捷全面的课堂状态分析系统平台。