伴随着科学技术的突飞猛进,人工智能相关技术的快速革新,相应的人工智能产物也逐渐应用到了教育领域。将人工智能引入到课堂教学研究中,获取并分析学生课堂行为,将对改进教学方式,提高教学质量具有极大帮助。并且在疫情期间,学生们转向线上课程,更需要对学生的课堂行为进行监督并分析,传统的行为识别方法主要是针对图像进行识别,不是对动态视频进行识别。为了提取到视频中更多的时空信息,提升行为识别的准确率,研究者们将双流卷积神经网络应用于学生课堂行为识别中,取得了较好的成果,本文也研究了传统双流卷积神经网络用于学生课堂行为识别中。但是传统双流网络中的空间网络与时间网络之间缺少关联,并且网络无法确定重点关注区域,因此为了增加双流网络间的关联性进一步提高学生课堂行为识别率,本文将注意力机制加入到传统双流网络中,提出了基于注意力机制的双流卷积神经网络用于学生课堂行为识别。传统双流网络没有关注图像空间上以及通道间的关系,本文将SCSE模块与双流卷积神经网络结合来解决这一问题,将关注度放在关键信息上,抑制背景信息对识别结果的干扰,提升网络的识别准确率。主要研究内容如下:（1）研究了基于传统双流网络的学生课堂行为的识别方法。空间网络与时间网络共同构成了双流神经网络,本文首先对两个网络分别进行研究,空间网络将单帧RGB图像作为网络输入,空间网络使用了训练好的VGG16网络模型;时间网络以堆叠光流图作为网络的输入,在光流特征提取上使用了改进的光流学习网络,使用联合熵计算光流特征,使得光流特征提取更加准确高效。最后将空间与时间网络的识别结果进行融合,识别率高于单个网络对学生课堂行为的识别。（2）研究将注意力机制模块添加到双流卷积神经网络中,空间网络与时间网络都选择VGG16网络,两个网络的卷积层分别用4个注意力权值矩阵相连接,后3个注意力权值矩阵是经过第一个注意力权值矩阵依次进行池化得来,不仅加强了网络关联性,同时加强了对重点区域的关注,提升了网络的识别效率,并基于该网络进行了5组学生课堂行为识别实验,结果显示该网络在识别准确性与识别速度方面均有提升。（3）为了解决对图像关键信息关注不足的问题,降低背景信息对识别结果的影响,将SCSE模块与双流卷积神经网络结合,充分关注图像空间上以及通道间关系,对图像进行关键特征筛选,提高了网络对学生课堂行为识别准确率。