课堂教学活动是知识传授的重要途径,课堂教学活动的质量显著影响着学生对知识的理解和掌握。教学分析是探究课堂教学活动与教学质量关系的关键方法。传统的教学分析方法主要以人工观察分析为手段,存在着主观性强、效率低等弱点,分析能力有限。当前,随着人工智能技术的发展,融合教学分析理论与人工智能技术的智能化教学分析方法逐渐成为研究热点。本研究即基于当前教学设备设施现状,结合传统教学分析方法与人工智能技术,研究设计一种新型的基于计算机视觉技术的课堂教学行为分析方法。本研究提出了一个以人体动作行为识别方法为基础的课堂教学行为分析框架。分析框架将课堂教学行为分成3大类11小类可通过视觉辨识的行为。动作行为识别过程采用多种深度学习方法。首先,通过YOLO目标检测方法提取视频中人体目标,其次,使用区域多目标姿态估计(RMPE)方法识别人体骨骼关节,最后,使用时空图卷积网络(ST-GCN)方法识别课堂教学行为的类型。本研究自建了一个小规模课堂教学行为识别数据集用于网络模型训练。数据集包括816个视频序列,覆盖大部分课堂教学行为。基于自建数据集,本研究对课堂教学行为识别网络模型进行了训练和测试,总体准确率能够达到0.825;基于检测得到课堂教学行为,本研究使用教学行为分析中的S-T分析法,对教师教学模式进行分析,分析结果与实际认知符合一致。本研究提出的智能化课堂教学行为分析方法首次将基于计算机视觉的人体动作检测方法应用于课堂教学行为分析中。方法能够使得传统教学行为分析方法中需要大量人工参与的行为辨识过程自动化,显著提高分析方法的效率和稳定性。同时,应用此方法所构成的检测分析系统对视频数据采集设备的性能与数量的要求不高,易于实现和推广。