随着我国经济实力的增强以及教育水平的发展,学生群体数目与日俱增,学生管理已成为各大高校面临的重要问题。课堂考勤是目前高校学生管理中一项非常重要的工作,同时也成为了学生课程成绩的组成部分。多数高校仍采用口头点名或纸质签到的手工考勤方式,使得仅有教师本人才能掌握学生的出勤情况。这种传统考勤方式没有及时的数据反馈,难以从学校层面对学生进行管理。而部分高校响应国家“智慧校园”工作的号召,采用了指纹验证、刷卡签到、依赖电子门禁的人脸验证等考勤方式。但是由于这些方式都存在明显的弊端,如排队等候、占用课堂时间等问题,难以得到多数高校的认可。近年来,深度学习在计算机视觉领域的迅猛发展,使得非约束环境下的人脸识别成为可能。因此,基于人脸识别的无感知自动化考勤成为课堂考勤课题中一个主要的研究方向。在非约束的课堂环境下,学生人脸的遮挡、姿态和图像大小等都会导致人脸特征信息的缺失,进而影响考勤系统中检测和识别模型的性能。本文主要解决课堂考勤中的漏检和识别准确率低的问题,创新性地提出了一个全新的课堂考勤架构,具体研究内容如下:（1）针对课堂中人脸信息缺乏带来的漏检问题,提出了基于检测框融合的位置检测方法。首先对目标检测算法CenterNet进行改进,提出基于热力图的NMS（Non-Maximum Suppression）方法,得到适应于课堂环境的学生人体检测算法。融合提出的学生人体检测算法和多尺度人脸检测算法RetinaFace,得到位置检测方法。该方法能同时利用学生人脸和人体信息,有效减少了对人脸被大部分遮挡和头部偏转角度过大的学生的漏检。（2）针对课堂中人脸识别准确率低的问题,提出了一种融合SVM分类器的FaceNet人脸识别方法。该方法首先从网络结构和损失函数两方面对FaceNet算法进行改进,得到特征提取模型。再从减小学生人脸数据库与课堂中待识别人脸图像的特征误差出发,在学生人脸数据库中使用数据增强和定期加入真实课堂人脸图像的策略对SVM分类器进行迭代训练。本文在两个自制人脸数据集上设计实验,证明了该方法对人脸识别准确率的提升。（3）基于本文提出的位置检测方法和人脸识别方法,本文设计并实现了一个主从双架构的课堂考勤系统。该课堂考勤系统包含主系统和巡检子系统两部分。主系统首先使用位置检测方法得到课堂中学生的初步人脸图像和位置信息,然后基于人脸关键点对初步人脸图像筛选。主系统对筛选得到的合格人脸图像直接进行人脸识别,完成多数学生的快速考勤,再将不合格人脸图像对应的位置信息发送至巡检子系统。巡检子系统依据主系统发送的位置信息,利用PTZ相机的云台转动及变焦功能对学生逐个进行人脸检测和人脸识别,进一步保障课堂环境下的识别准确率。实验证明,该系统在运行耗时和识别准确率上均优于其他已有的课堂考勤架构。