在教育信息化的持续推进与蓬勃发展进程中,人工智能与教育的深度融合为智能化教学评价提供了更多的可能性。手势是教师课堂教学非言语行为的重要组成部分。对学生而言,教师的手势传递了丰富的信息,吸引着学生的注意力。对教师而言,手势不仅能够调节自身话语节奏,还能有效强调话语中的重点内容。因此,课堂教学手势的智能识别是智能化教学评价的重要一环。广义上的手势不仅包括手指及手部的形态动作,还包括人体的姿态动作信息。关于手势的识别研究,大多数是利用关键点位置信息进行识别。但是,智慧教室下的教学视频,常常由于教师手部目标较小导致手部关键点识别错乱。而通过人体关键点位置信息进行姿态动作估计的方案中,识别出的手势通常较为单一,并且不具备识别课堂连续性手势的能力。基于以上分析,本文提出了一种手部静态手势识别方法,并利用教师关键点位置信息完成连续性教学手势识别。论文主要的工作和创新点如下:首先,针对教师手部画质不清晰而导致关键点识别错乱的问题,提出了一种手部静态手势识别方法。构建了一个融入空间注意力机制SAM的GoogLeNet网络,并利用Mixup线上数据增强的方式有效减少了模型过拟合,提高了模型鲁棒性。在我们自己建立的手部静态手势数据集上进行测试,结果表明,该模型在手势数据集上取得了较好的效果。其次,提出了一个用于识别教师关键点的网络模型。在特征提取阶段,为了让网络关注不同通道之间的重要性,在残差模块中嵌入了通道注意力机制,并针对传统关节点热图编码和解码过程中存在的量化误差问题,引入了对关节点的分布感知坐标描述方法DARK。实验结果表明,本文提出的模型在公开数据集上相较于基准模型,效果有明显提升。最后,针对连续性手势的识别,构建了一个连续性教学手势数据集,并提出了一种基于肢体角度计算的节拍性手势识别方法。利用在连续性手势数据集上训练好的连续性手势分类模型,可有效识别教学视频中的连续性教学手势;通过计算连续多帧画面中教师肢体角度变化幅度,可有效识别教师是否存在节拍性手势。