人脸识别技术能够更加有效地对个人身份进行鉴别,传统的人脸识别算法容易受遮挡、光照、姿态等外界因素的影响,在自然场景中识别准确率不高。近年来,深度学习技术的研究在计算机视觉领域取得了广泛应用,将深度学习技术应用于人脸识别可以达到甚至超过人眼识别的精度。而且,在光线、遮挡、姿态等外界因素发生变化时,算法的性能也更加稳定。为此,本文以课堂人脸识别考勤和听课状态评估为背景,采用深度卷积神经网络作为人脸识别模型,从模型大小和识别精度两个方面出发,提出具有实用价值的网络模型。同时,为了扩展教学评估的方式,本文将评估学生听课状态作为切入点,对其中的头部姿态估计算法进行了研究,从模型结构和损失函数两个方面来提高模型的估计精度和效率。论文主要内容如下:（1）提出一种基于FaceNet改进的人脸识别算法。该方法借鉴了 FaceNet“端到端”的模型框架,采用轻量级卷积神经网络作为特征提取网络,以此在保持较高准确率同时,降低算法对硬件的要求。同时,采用联合损失函数训练网络模型,达到降低训练难度的目的。该模型可以准确地识别人脸,对光照、姿态、遮挡等外界因素鲁棒。本文详细介绍了网络训练细节,并对比了不同模型的实验结果,验证了联合损失函数的有效性。（2）提出了一种基于深度学习的无关键点头部姿态估计算法,该方法采用以轻量级卷积神经网络作为骨干网络,采用联合损失函数,单独计算每个角度的损失值,对网络进行分类、回归联合训练。该模型可以准确、快速地估计头部姿态。本文详细介绍了网络训练细节,并对比了不同模型的实验结果,选取了效果最优的模型作为最终结果。