在基础教育中,及时和准确地掌握学生的课堂学习状态,可为教师和管理者提供实时的信息参考和整体评价,具有十分重要的教育应用价值。目前很多信息技术运用于课堂学生行为状态的分析,而基于课堂视频的状态分析技术有时效强、维度广、容量大等特点,特别适合学生课堂状态的分析获取,受到国内外各大教育科技公司关注。但是,目前基于视频分析的学生状态获取技术存在以下问题,首先,缺乏针对大场景的视频分析方法,如中小学教室;其次,人脸检测容易受到光线背景和检测目标的影响,不能在保证精度和速度的前提下很好地移植到课堂中;最后基于视频的学生课堂行为状态分析技术多侧重于学生面部表情或头部姿态等单一的行为特征,不能全面的反映生的课堂行为状态。针对上述问题,本文主要开展以下工作:(1)针对复杂环境的人脸检测不能很好地兼顾检测的精度和速度,本文结合教室场景的特殊性,提出了一种基于混合架构下的双层人脸检测算法,该方法根据学生人脸的不同状况调用人脸粗检算法和人脸精检算法。其中人脸粗检算法是将人脸特征与AdaBoost级联算法相结合;人脸精检算法是由卷积神经网络训练而成。该双层人脸检测算法能够在保证精度的同时提高速度,为之后的学生行为特征的收集和分析打下良好的基础。(2)针对目前学生课堂行为状态分析研究侧重于面部表情等单一特征问题,提出收集学生面部表情和头部姿态估计两个特征,将学生的注意力和情绪结合的课堂行为状态分析分析方法。其中使用卷积神经网络搭建表情识别模型,将识别的表情分为积极情绪和消极情绪两类,根据目标学生头部姿态与周围学生头部姿态的差异判断学生的注意力,提高可靠性。(3)使用本文提出的课堂行为状态分析方法对摄像机采集教学视频进行验证和分析,并将关键数据以图表的形式呈现,使教师能够及时得到课堂中学生的行为状态。通过该实验验证了本系统的可行性和准确率,分析了本系统的优缺点和改进之处。