颈椎病已经成为广泛的疾病之一,尤其对于长期伏案、老年、意外受伤等群体具有极高的致痪率,严重影响了患者的日常生活。通过研究表明,有效的颈椎锻炼就可以帮助部分严重的颈椎患者实现康复。然而,颈椎锻炼是一个长期的、适度的恢复方式,患者很难做到有规律、适当角度的锻炼。采用智能监控技术实时识别患者的颈椎锻炼动作,替代医护人员控制患者的颈椎锻炼弯曲程度和督促患者进行康复训练,对患者自主进行长期的锻炼具有非常重要的意义。针对以上需求,本文主要研究康复性锻炼场景下的头部姿态识别问题,具体工作如下:（1）提出了一种基于双重特征提取的头部姿态识别方法。首先对图像数据集的所有人脸进行人脸检测,检测后的结果通过置信度的比较,获取置信度最高图像的坐标,从而完成对目标人脸的裁剪。为了进一步减少噪声干扰,采用LBP特征来对抗外界光照等因素的干扰,同时进行面部特征的预提取。之后采用基于回归和特征聚合的网络来细化模型,在聚集之前,通过空间分组的方式来使模型学习重要的部分,从而实现对模型的细粒度结构映射,最后得到头部三个角度上的欧拉角。最后,在公开的数据集AFLW2000、CAS-PEAL-RI进行实验验证,证明了算法的有效性。（2）数据集样本是经过目标人脸裁剪的离线图像,为了通过单目摄像头实现对视频流下的头部姿态进行实时同步分析,在细粒度结构网络基础上提出了一个基于监控视频流的在线颈椎康复锻炼姿态识别方法,其运行速率大致为10FPS。该方法通过SSD算法实现了在线人脸检测,再通过置信度比较的方式,实现了对视频流中目标人脸的挑选工作,将目标人脸输入到事先训练好的网络模型以获取当前帧的姿态。为了实现对颈椎病患者的锻炼质量进行评估,需要将患者的颈椎活动区间进行划分,锻炼区间被划分为了“三色区间”,它包括:安全区间、警告区间、危险区间。其次,由于头部姿态的连续性,设计了标志位的方式来统计患者日常颈椎锻炼到各个区间的次数,根据这些统计数据最终实现了对颈椎患者锻炼质量的评估。最后,通过使用前端框架vue开发了观察数据的前端页面,完成了数据的可视化工作。