在现代信息技术的推动引领下,在线学习模式应时而生。然而,时空的隔阂使得师生之间的互动不够,学生的学习效率受其自制力的影响较大,学生易出现注意力失焦的问题。因此,对在线学习中学生的参与情况进行量化与分析变得很有必要,这可以帮助学生监督自己的学习状态并促进其深入参与学习过程。头部姿态和视线估计是计算机视觉和人工智能中重要的研究领域,近年来吸引到越来越多研究者的关注和兴趣。本文利用深度学习算法结合头部姿态和视线估计的特点,构建了高效的在线学习环境下学生学习注意力识别方法,有效地提高识别准确率,使学生在在线学习时获得更加智能化的学习体验。论文的主要工作包括:(1)在对头部姿态估计任务进行详细分析研究的基础上,提出了一种新颖的基于各向异性姿态分布的头部姿态估计方法。该模型基于以下两个关键观察:一、对于某个姿态,头部姿态在相同间隔内的水平方向和竖直方向上的变化是不同的;二、在水平方向上,0°至30°和60°至90°的间隔的变化小于30°至60°的间隔的变化。然后通过具有空间权重的卷积神经网络以端到端的方式学习模型。实验结果表明,所提出的模型与其他方法相比具有更高的准确性和鲁棒性。(2)提出并实现了基于复合损失的卷积神经网络的视线估计方法。算法使用的卷积神经网络具有两个独立的全连接层,它们分别对视线的水平偏转角和竖直偏转角进行预测,每个角度都有一个损失,且每个损失都分为两个部分:角度分类和回归。在公共数据集上的实验表明,本文所提出的视线估计方法和其他方法相比具有更好的准确率和鲁棒性。(3)融合头部姿态和视线估计,设计了一种在线学习环境下学生学习状态识别系统。实验表明,该系统能够客观准确地对学生的学习注意力进行识别和分析。