学生课堂行为识别是当代计算机与教育领域共同研究的热点课题。随着人工智能与互联互通的数字化教育平台相结合,教育管理出现重大革新,标志着以人工智能技术为支撑的教育信息化建设,将会成为现代教育的必然选择和发展形态。本文重点关注教室内的学生行为识别任务,采用级联网络和目标检测网络两种研究思路对课堂中学生出现的举手、站立、使用手机等行为展开研究,主要研究内容如下:（1）构建了包含多种课堂场景的Stud＿Hard数据库。针对该研究领域无合适的数据集,在教育平台和视频网站上收集了大量的公开课视频,并使用监控设备采集了真实课堂的视频图像;针对数量较少的学生行为类别,使用手机拍摄图像,并使用搜索引擎获得图片。经过处理后,Stud＿Hard数据库中每张图片的目标样本个数在1～64之间,总共5570张图片。（2）提出基于H/W阈值判定的级联网络学生行为识别方法。该方法使用Nano Det-Plus轻量级目标检测算法对学生进行位置定位,针对存在误检框的问题,将骨干特征提取网络Shuffle Net V2替换为Mobile Net V2,增强模型的学习能力,减少了误检框的数量,改进后的AP50提升了0.88%。H/W阈值判定方法用于筛选图像边缘区域中具有残缺行为信息的图片,根据50535张图片的高宽比分布情况,将阈值范围设定为[0.45,2.6],并使用554个检测框验证了阈值的有效性。针对级联网络中的学生行为分类任务,对比四种轻量级网络Res Net18、Mobile Net V3-Small、Efficient Net-B0、Rep VGG-A0的效果,使用综合性能较好的Rep VGG-A0作为学生行为分类网络,该网络类别平均正确率可达到97.24%。（3）将EIo U和Varifocal Loss损失函数引入YOLOv5模型。使用YOLOv5可以兼顾视频检测任务,扩展学生行为识别的应用场景,并针对YOLOv5模型的损失函数进行改进,改进后的EVF＿YOLO加快了训练时损失值收敛的速度,并提高了学生课堂行为识别的准确度,m AP0.5已经达到96.3%。此外综合多种目标检测模型,验证EVF＿YOLO模型在学生课堂行为识别任务中的先进性。为了将深度学习技术应用在课堂中,将研究的算法部署在学生课堂行为识别平台上,实现计算机技术与课堂管理相结合,助力智慧化教育的发展。