近年来,在全球疫情的背景下,教育行业深受影响,为了防控疫情在校园内传播,国内各地区中小学及高校都开始组织网课教学的方式,来确保学生居家隔离的同时能够继续上课学习。随着网课的广泛开展,越来越多的问题暴露了出来,其中主要由于学生在上网课中,没有了课堂上的行为约束,导致学习时难以专注,容易将注意力转移到其他学习无关的事物上,从而影响自身的学习。而网课授课中的老师,因为是在网络平台上教学,更多的精力需要投入到课程内容中,即使学生端会被要求打开摄像给老师查看,但是也难以监管到每个学生。为了解决以上的问题,本文提出了一种基于人工智能技术的解决方案,来检测网课中学生的表情和身体姿态,从而判断其学习状态。本文设计了一种网课学生表情检测识别模型。模型首先利用MTCNN算法检测学生人脸,并根据检测结果分割人脸图像;在表情识别模型中,从公开表情数据集中筛选学习时人脸真实表情作为训练数据集,并设计了一种轻量级卷积神经网络模型在自制数据集中进行训练来实现学习表情分类。最终,通过实验测试证明本文的模型能够准确的检测网课学生人脸并且识别其学习表情。本文设计了一种网课学生姿态检测模型。模型首先利用Alpha Pose框架,对网课学生人体上半身骨骼关键点进行了检测,根据脸部关键点检测的结果,对人体头部进行建模,设计算法求解头部欧拉角来描述其面部朝向,判断其是否注视网课屏幕;根据身体关键点检测的结果,设计了一组肢体角度作为特征向量,根据计算不同姿态的特征向量的相似度,来检测学生是否处于异常姿态。针对单一特征无法准确描述当前学生网课学习状态的问题,本文利用模糊综合评价法,将学生脸部表情检测、学生头部姿态检测以及学生身体姿态检测这三种特征的检测结果进行等级划分,并通过模糊系数矩阵计算出最终学习状态评价得分,根据分值的大小来判断学生当前学习状态是否专注于网课中。综上所述,本文研究的基于表情与姿态识别的网课学生学习状态检测的方法,可以将网课学生的学习状态进行综合检测并量化最终结果,能够实现对其学习状况的判定。