在全球信息化的背景下,在线教育顺应时代潮流,向着更方便更智能的方向蓬勃发展。将人工智能与在线监考相结合,更加精准、高效地完善防作弊措施也成为推行在线教育亟待解决的难题,对于考试中利用手机、书本、耳机等物品进行作弊的现象也一直都没有解决。在考试系统的监考环节加入对违规物品的检测将对解决考生作弊的问题提供新的方案,对为维护考试的公正与对考生真正实力的评估具有重要意义。本文以在线考试系统的监考环节为研究背景,从YOLOV4目标检测模型的基础框架出发,致力于改进目标检测模型的检测效果。工作内容如下:首先,本文针对在线监考中缺乏对考试过程中的手机、书本、耳机等违规物品的检测与识别这一问题,分析了面向在线监考的违规物品检测中所涉及到的算法理论知识以及相应评估模型与检测结果的性能指标。并进行了在线考试系统的监考环节的需求分析和框架设计,通过收集和标注图片来制作在线监考专用的训练数据集和测试数据集。其次,本文针对用于在线监考的YOLOV4目标检测模型过大而导致检测速度和精度下降,难以满足实时性的需求这一问题,对原YOLOV4的骨干网络进行了轻量化的更改,提出了一种M-YOLOV4网络结构模型。在面向在线监考的数据集上进行了消融实验验证了该方法的有效性。最后,本文针对用于在线监考的单帧检测器M-YOLOV4存在漏检这一问题,将低延迟检测和M-YOLOV4结合起来,提出了一种低延迟的多帧目标检测方法。在面向在线监考的数据集上将该模型与原单帧模型进行了对比实验,从定性和定量两个方面分析了该方法的有效性。