课堂中教师与学习者之间情感交互极易失衡的问题,严重影响了课堂的互动性和有效性。学习者面部表情作为反映学习者情感表达的重要方式之一,蕴含了学习者在学习过程中内心情感的变化过程,为解决学习者情感失衡问题提供了思路。但目前表情识别模型仅注重提高单个表情类别自身的表征特征,却忽略了多种表情间存在较易于区分的特征以及易混淆表情识别的特征,而这些特征往往是提高表情识别效率和鲁棒性的关键因素。且目前的表情识别模型大多数不具有可解释性,使其应用于课堂场景中学习者表情识别鲁棒性较低。为了解决上述问题,本文提出基于可解释层级对比的学习者表情识别模型,主要内容如下:1)提出基于层级交叉对比的面部表情识别技术,通过对比多个层级的面部局部特征,获取面部表情间的差异特征和混淆性特征,并设计特征融合网络来降低噪声干扰。在此基础上,在CK+、FER+和RAF-DB三个公开的表情数据集上进行实验,验证该模型的有效性;2)由于实现学习者表情识别模型的可解释性是在现实课堂场景得以应用推广的前提条件,因此,针对基于层级交叉对比的表情识别模型不具可解释性的不足之处,本研究提出面向层级对比表情识别的卷积神经网络可解释性技术,并基于决策树呈现表情识别过程。此外,本研究采用迁移学习实现了现实课堂中少样本数据的模型预测,面向在线学习环境进行学习者面部表情数据采集和实验,验证了本研究提出模型的有效性和实用性;3)依托iStudy在线学习平台,设计学习者情感问题诊断系统。该系统面向在线学习环境,在获取学习者的情感状态的同时,在系统页面呈现消极情感对应的表情类别和局部特征。由此,教师可查验情感状态的准确性,并结合当前的知识点对消极情感产生的原因进行可解释性分析,实现学习者情感问题进行诊断,由此教师对学习者进行个性化干扰与引导,增强课堂的互动性和效率。本研究针对学习者表情识别及对应的情感状态分析问题,创新性主要体现在:（1）设计层级交叉对比机制,获取识别表情的关键特征和混淆表情识别的特征,以提高表情识别模型的准确率和效率。（2）面向上述模型设计可解释性机制及可视化机制,为学习者情感问题诊断系统的设计与开发奠定了基础。（3）基于i Study平台进行面向学习者情感问题诊断的应用,为教师对学习者消极情感的及时掌握、有效确认与情感问题的可解释性分析提供了支持。