课堂教学是我国所有教学形式中最为通用的形式。学生在课堂中的学习状态对于学生的课堂学习以及教师的授课过程都有影响,它既是影响学生学习质量的主要因素,又是反映教师教学质量的重要依据。在传统的课堂教学中,教师要在授课的同时关注全部学生的学习状态,这对经验不足的新教师来说无疑是一个较大的考验。同时,教学管理者要对教师的教学质量进行评价,也只能通过人工深入课堂的方式来观察学生的上课情况以及教师的授课情况,这不仅不能及时全面地了解学生和老师的真实课堂情况,还会受到个人主观意识的影响,做出主观的判断。随着互联网、物联网、人工智能等高新科技的蓬勃发展,教育领域也进入教育信息化时代。使用信息化技术对学生的课堂学习状态进行分析已经成为当前的主流,但很少有研究者基于真实课堂环境下的学习状态进行分析。基于以上原因,本研究旨在利用计算机视觉技术对学生在真实课堂中的学习状态进行识别分析,以便让教学管理者更及时更高效地了解学生对教师授课方式及授课内容的感兴趣程度和接受程度,解决传统课堂中教学管理者对教师教学质量评价的片面性和局限性。同时,对未来的课堂学习状态进行预测,让教师在学生持续困惑的时候及时调整授课方式或者调节课堂氛围,维持学生的良好学习状态,从而提高教师的课堂教学效率以及学生的课堂学习效率。为了达到识别和预测学生课堂学习状态的目的,本研究根据学生在课堂中的面部特征,构建了真实课堂环境下的学生课堂图像数据库。基于这些数据,利用改进的神经网络模型来对学生的课堂学习状态进行识别,并利用长短时记忆网络（LSTM）来对学生的学习状态发展趋势进行预测。主要研究内容分为以下几个部分:（1）通过收集学生在真实课堂中的视频图像,截取出其中具有代表性的学生图像。同时,通过观察学生视频图像并结合以往的研究,总结学生的课堂学习状态类别以及各个状态对应的面部特征,与教育学、心理学等领域的专业人员一起,对学生图像的学习状态类别进行人工标注,构建真实课堂环境下的学生学习状态图像数据库。（2）针对真实课堂图像数据库中人脸头部偏转、面部遮挡、清晰度欠佳等问题,本文在现有的神经网络模型基础上进行改进,提出一种改进的ResNeSt网络模型,来提升对学生课堂学习状态识别的准确率。该模型在原始ResNeSt网络的基础上引入空间注意力机制,让其与原网络中的通道注意力机制的思想形成互补关系,从而使模型可以更有效地对本文中的学生图像进行关键特征的提取,以提升网络的准确性和鲁棒性。（3）为了让教师在学生持续困惑时可以及时调整教学方式,调节课堂氛围,维持学生的良好课堂学习状态,本文使用改进的长短时记忆网络（LSTM）,对学生在课堂上的历史学习状态数据进行分析,并根据这些历史数据对未来时段的学生学习状态趋势进行预测。这样就可以提醒教师在学生持续困惑或游离的时候调整授课方式,调节课堂氛围,让学生保持对课堂的兴趣和热情,提高学生的课堂学习效率。本研究的工作概括为,首先构建真实课堂环境下的学生学习状态图像数据库,然后对课堂学习状态图像进行识别分类,最后对学生课堂学习状态的发展趋势进行预测,来为教师调整授课方式和调节课堂氛围提供指导,提高学生的课堂学习效率。为了验证本文所提出的改进算法的有效性,本研究在自己构建的数据库的基础上,对原网络以及本文改进的网络做了相应的对比实验。通过常用的算法评判标准验证了本文所提出的方法在本文数据集上可以获得更好的准确度。