教育是国之大计,而课堂是教师教学和学生受教育的主阵地,学生专注于课堂教学过程对于其获得良好的教育尤为重要。课堂专注度不仅能够反映出学生的学习意识是否强烈,还能作为教师教学效果的反馈,因此对课堂专注度进行研究是一项非常有意义的工作。目前大多是通过对学生进行单一的面部表情识别或者单一的抬头率统计等方式进行课堂专注度的研究,但在实际课堂场景中,仅通过表情或者行为对专注度进行评估较为片面,会导致评估结果不够准确。针对上述问题,本文结合面部表情和行为状态对课堂专注度进行研究,具体工作如下:1.提出了联合面部表情与行为识别的课堂专注度评价方法。通过在mini＿Xception模型的卷积块中加入注意力机制,构建attn＿mini＿Xception模型来实现对学生的表情识别,使其更关注于表情变化较为明显的部位,从而充分利用关键信息,对表情进行更精准的分类。该模型在Fer2013数据集上的准确率达到了72.571%,在自建表情数据集上准确率达到了78.543%。同时提出my Hope Net网络对学生的头部姿态进行识别,该模型使用Res Ne Xt50作为主干网络,对更深层的特征信息进行学习,从而对学生的三种行为状态（抬头听讲、东张西望、低头）进行初步的判定。在此基础上,本文将得到的表情和行为结果根据积极程度进行不同类别的划分,提出不同类别的表情和行为组合情况下的课堂专注度评价方法,使得课堂专注度这一模糊的概念得到量化处理。2.为了解决后排学生人脸因图像分辨率较低而难以识别其表情的问题,本文结合超分辨率网络对低分辨率图像进行重建,之后再将其送入表情识别网络中进行表情的分类。实验结果表明,结合超分辨率网络对于后排低分辨率人脸的表情识别效果有明显改善,在本文自建表情数据集上准确率提升了2.321%。为了解决将低头状态直接定义为消极行为导致专注度评价方法不够合理的问题,对于低头状态下的学生,通过YOLOv4算法对其进行学生目标检测,之后通过训练好的Resnet50网络对其进行具体行为状态分类,即将原来的低头状态详细划分为玩手机、书写和看书三种具体行为状态,在自建行为数据集上准确率达到了86.03%。将最终得到的五种行为状态根据积极程度重新进行类别的划分,并与表情类别重新进行组合,使专注度评价方法更为合理。3.本文利用提出的专注度评价方法对得到的学生表情和行为结果进行专注度分数的计算,并进一步分析制定相应的教学策略。之后通过资深教师评价打分的方式,将该得分与本文方法的计算结果进行皮尔逊相关系数的计算。结果表明,本文提出的专注度评价方法可以有效地对学生的课堂专注度进行评价。4.最后设计了课堂专注度评价系统,将专注度评价方法计算得到的分数可视化展示给教师和学生,使他们能够更直观地对专注度的变化进行浏览。同时该系统可以导出专注度记录,方便后续对教师的教学效果进行评价,具有较高的应用价值。