随着科技革命的澎湃浪潮兴起,人类社会已经缓缓越入了高品质的“智能时代”,我国也大步迈进了特色社会主义的“新时代”,科技创新已俨然成为当今推进教育教学变革的内生动力。本文研究的课堂专注度问题属于当前智能教育研究的热点问题和关键问题;本文研究所涉及的基于深度学习及卷积神经网络的人脸识别技术（人脸检测、人脸表情识别）具有高准的精度、强稳的鲁棒性,在智慧教室等智能教育的场景中能显现优越性能;本文研究所涉及的卷积神经网络轻量化技术,能在维持原有稳定的网络模型综合性能小幅改动情况下,通过有效减少网络的参数量,降低卷积神经网络在资源受限硬件设备上的部署难度;本文研究利用基于轻量化卷积神经网络的人脸识别技术的精确、高效特性,以人脸检测、人脸表情识别结果来量化学生课堂专注度评价,是对智能教育的落实和补充,对新时代的教与学都能够发挥立竿见影的效用。本文研究内容的主要创新点如下:（1）基于MTCNN开展有效人脸检测的同时,本文通过对级联卷积神经网络三个浅层子网络中参数量最多的Output Network进行卷积神经网络二值化,用以轻量化MTCNN人脸检测的网络模型。轻量化的网络模型较原始模型,在WIDER FACE人脸检测数据集上的训练测试准确率略微损失2.408%,但参数量减少67.265%。（2）基于VGGNet开展有效人脸表情识别的同时,本文通过对比在FER2013人脸表情数据集上VGGNet16-C、VGGNet16-D、VGGNet19三种不同结构的网络模型的训练测试全结果,选定其中准确率最高（68.475%）以及对-害怕、厌恶、伤心、开心、-生气--与惊讶-以-及--中性这七大类表情的识別准确率最为稳定的VGGNet16-D网络模型进行性能提升。本文通过采用批归一化策略、交叉熵策略、随机失活策略、数据增强策略联合的优化方式使得网络模型表情识别准确率提高3.909%,较ICML2013冠军方法模型的准确率也高出1.223%,同时还有效改善了七大类表情的识别准确率,其中厌恶与伤心这两类表情的识别准确率分别提升24.040%与10.333%。（3）本文通过对VGGNet16-D主干网络采用基于批量规一化层的缩放因子动态剪枝策略以及通过对VGGNet16-D第一个传统的全连接层采用全局平均池化策略,用以轻量化经过联合优化策略性能提升的VGGNet16-D人脸表情识别网络模型。轻量化的网络模型较优化后的网络模型,在FER2013人脸表情数据集上的训练测试准确率略微损失1.673%,但参数量减少85.325%;与原始网络模型相比,准确率仍高出1.916%,且参数量减少84.133%。（4）本文通过级联加载轻量化的MTCNN以及轻量化的VGGNet16-D,实现了对现实环境中图像的人脸检测与人脸表情识别,并能标注出检测与识别后图像的人脸检测区域及检测人脸的表情状况。（5）本文提出基于轻量化MTCNN的人脸检测进行课堂学生的“抬头率计算”、基于轻量化VGGNet16-D的人脸表情识别进行课堂学生的“情绪评分”,并通托“学生课堂抬头率”以及“学生课堂情绪分值”这两个课堂专注度评价指标来联合量化课堂学生的专注度得分的方式,以此进行课堂专注度的有效评价。本文还通过较差、良好、优秀三个不同等级划分了课堂专注度的高低。（6）本文通过对智能设备录制的三段模拟智慧教室小班化教学场景下的真实课堂教学影像进行联合专注度评价实验,对比、评价以及分析了三个不同课堂教学环境中的学生课堂专注度变化情况,并提出了用于改进课堂教学的针对性课堂反馈建议。本文还通过课后随堂练习测试的方式对课堂专注度评价方式进行了有效性验证。