在课堂教学中,教师关注每个学生的情绪变化和学习状态来调节教学有效提升教学质量。然而,目前的课堂存在教师精力不足、教学反馈延迟等问题,在一定程度上,影响教学质量的提升,阻碍学生的发展。近年来,随着信息技术的迅猛发展和广泛应用,图像处理、人工智能等新技术为提升教学质量方面的研究带来了新的思路和方法。本论文旨在通过采用基于深度学习的自动人脸检测、定位和微表情识别技术,研究学生课堂状态的划分、评价及专注度分析,并设计与开发了基于微表情识别的学生课堂专注度分析系统,对教学过程中的学生专注度自动跟踪、监控、分析以及课堂评价,主要研究内容如下:(1)将三维学习状态空间与情绪维度论相结合,通过分析学生在愉快维的表情状态,结合唤醒和效价的强度,实现一种有效的课堂状态划分方法,并基于行为理论、发展性教师教学评价理论、多元智能理论,设计一种多维度的课堂状态评价体系,实现课堂专注度的划分,并对其合理性进行了验证。(2)通过使用多任务训练的不同模板的CNN模型,从尺度不变、图像分辨率和相关上下文信息三个方面完成自动人脸检测和定位,并采用基于面部表情识别的综合深度学习框架FATAUVA-Net,通过动作单元、效价和唤醒空间实现课堂微表情识别。(3)基于Python+TensorFlow技术,采用CS架构的Web服务端和基于Java的spring-boot框架,结合Mysql作为数据存储服务,设计开发了基于微表情识别的学生课堂专注度分析Web可视化系统。该系统可将学生专注情况以个性化和可视化的形式呈现出来,便于教师进行分析和管理学生。(4)采用中科院CASME微表情库SectionA部分对微表情识别模块的准确率进行验证。同时,将课堂视频作为输入,验证系统在整节课全部学生专注度和时间段全部学生专注度两方面的评价效果,并与优秀教师的评分进行对比。