随着互联网技术以及多媒体技术的不断发展,网络在线学习日趋成熟。在线教育凭借其在时间、空间上特有优势可以满足不同群体的学习要求,为促进我国教育平衡,弥补教育短板,开启全民化学习时代做出了独有贡献,其存在也丰富了现有的教育模式。但相对于传统课堂,在线学习无法对学习者的学习情况实时监督,导致学习效果无法得到保证也是其弊端所在。因此,检测学习者学习状态对于完善在线教学系统,提高学生学习质量都具有一定的价值。同时,将检测结果反馈给教师,对于教师优化课堂设置,对学生学习情况综合评估也起着积极作用。本文利用计算机视觉、深度学习等技术,从注意力状态和情绪状态两个方面对学习状态展开研究,主要研究内容如下:1、传统的检测方法无法检测学习者视线焦点在屏幕上时出现的分心状态,针对此问题,本文提出一种基于眼动分析的注意力检测方法,该方法通过计算机视觉相关技术在实时捕捉的画面中提取眼动特征,利用循环神经网络对序列眼动特征进行分析,学习眼动规律,实现对学习者注意力状态的检测。2、基于面部表情识别对学习情绪进行研究,将惊讶、开心、恐惧等七种情绪归类到积极、中性、消极三种情绪状态中,通过表情的识别实现情绪状态的检测。传统的卷积神经网络在处理计算机视觉相关任务上表现出了强大能力,但是也存在不能利用不同层次的特征、特征冗余等问题,针对此类问题,为达到更好的检测效果,本文提出了一种多特征融合多尺度表示学习网络,该方法通过跨连接操作能有效将不同层次的特征进行融合,提升模型的学习能力,同时使用全局平均池化操作降低参数量。构建Octave卷积块进一步减少模型在空间上的冗余,增强鲁棒性。该方法能有效提升识别准确率,同时大幅降低了训练参数。本文使用电脑自带摄像头实时捕捉学习者的学习画面进行了实验,结果表明,本文所提出的两种算法相比于同类型算法准确率有明显提升,有效解决了学习者视线在屏幕上时的注意力检测和情绪状态检测问题。