随着计算机技术在教育领域的快速发展,越来越多的研究者将目光聚集在教学上。教学过程中由学生和老师之间的互动组成,为了提高教学质量,研究学生在课上的表现也是必不可少的一个环节。传统课堂上,教师主要以观察的方式了解学生的课上表现,但是这种方法不能及时有效的向教师反馈信息。所以本文研究如何使用深度学习方法识别学生课堂行为。本文通过使用卷积神经网络和迁移生成对抗网络来学习图像特征,进而进行学生课堂行为分类。论文主要的工作如下:(1)制作数据集。现如今网上没有公开的关于学生课堂行为表现的数据集,所以笔者收集了100位学生的五种课堂行为,共有2024张图像用来构造数据集。这五种行为分别是看黑板、看书、睡觉、转身、玩手机。同时采用数据预处理的方式进行数据扩充,得到多种数据集。(2)基于卷积神经网络的学生课堂行为识别研究。本文根据经典的卷积神经网络模型结构,在此基础上进行加以改进,设计适合识别学生行为的网络结构。通过设计参数的对比实验来选择最终的网络参数,确定网络结构。最终实验的识别准确性达到了80.7%。同时将本模型与传统的CNN网络、Le Net-5网络和Alex Net网络作对比实验,实验表明本文的网络模型在学生课堂行为识别准确率上和运算时间上都优于其他的三种网络模型。(3)基于生成对抗网络学生行为识别研究。本文采用迁移学习方法,将MARTA-GANs生成对抗模型迁移到本文研究中,使用模型提取图像特征值,改进模型的分类器。实验表明,该改进之后的模型比原始网络的准确率提高了6.7%,并且通过大量实验证明改进之后模型的稳定性和鲁棒性较好。