为了提高教学质量,需要对学生的课堂状态进行判断,尽早的发现学生在上课时是否疲劳,并且教师能够及时的提醒相关学生,对课堂氛围做出相应调整,提高学生的课堂效率。对学生课堂疲劳检测方法进行研究,并运用于课堂教学,辅助老师进行授课,为智慧课堂的实现提供新的思路,具有非常重要的意义。然而传统的卷积神经网络不能同时保证检测的实时性和准确性。为此,提出一种改进的多任务级联神经网络（MTCNN）来实现疲劳检测。首先,通过MTCNN实现人脸关键点定位。其次,提出一种基于多任务约束学习的眼部精准定位方法。并将常规的激活函数Re Lu替换为Leaky Re Lu避免了神经元失活的影响。当一个人处于疲劳状态时,会通过脸部的微表情体现出来。尤其是眼部和嘴部这两个区域的细微变化,更能反应这一现象。对此本文提出基于深度学习的微表情疲劳检测算法,通过分析相关人员的面部微表情的变化,构建眼、嘴数据集,完成眼、嘴部状态分类模型训练。最后利用训练好的模型,结合相应的判断标准实现疲劳检测。针对眼部定位不准确的情况,本文将是否佩戴眼镜以及头部姿势作为辅助任务,以多任务学习的方式来进行精确的眼部定位。由于相关数据集较少,为了解决数据集不够,以及不均衡的问题,分别从ZJU数据集和Yaw DD数据集采集眼嘴部数据集,并通过数据增强的方式来扩大所拥有的数据集。在眼部状态和嘴部状态的识别中,考虑到目标区域的图像尺寸较小,为了节约时间成本,所以另外设计了一个较为轻便的卷积神经网络。并且通过实验来研究不同参数对网络的影响,最终确定合适的网络结构和参数。最后,针对传统疲劳检测特征单一的不足,提出了新的疲劳检测指标对微表情即疲劳时眼部状况、打哈欠时嘴部的情况进行检测,并将两者的疲劳指标进行融合,提出一个新的判定方法,使得疲劳检测结果更为准确。本文对基于深度学习和微表情的疲劳检测方法进行研究,在传统的方法上进行了改进,实验结果表明基于深度学习和微表情的疲劳检测方法有着良好的识别效果,并且实时性也得到了较大的改善。对学生上课状态有了不一样的解读角度,实现了智慧课堂教学,让学生的课堂生活变得更加多彩。