在英语作为事实上的世界语、全球教育在线共享的大环境下,英语教学是个趋势。由于教育领域专有名词偏多,且英语存在口音差异,因此课堂字幕对于增强英语教学效果非常重要。人工智能技术的发展加速了字幕自动生成技术的进步,但目前面向英语课堂教学的字幕生成的研究较少。本文以英语课堂教学的字幕生成为研究内容。目前在教育领域还没有公开的语音数据集,而语音识别的效果与特定领域有关,教育领域数据集的稀缺会影响语音识别的效果。与在线视频字幕生成的任务不同,视频字幕进行标点符号等处理并非必要,而在课堂现场教学时,为了使学生能清晰阅读、理解教学内容,对字幕进行标点等后处理工作是必不可少的。鉴于以上分析,我们展开了以下几项研究工作:(1)针对教育领域公开数据集稀缺的问题,构建了一个包含视频、音频、文本的多模态数据集Khan,并在该多模态数据集上进行语音识别模型的训练和对比实验,结果表明该数据集对于提升教育领域的语音识别效果有所帮助。(2)将基于自注意力机制的序列切分模型应用于标点预测任务上,并在多模态数据集上使用音频信息和文本信息相结合的方法提升标点预测的效果。分别在IWSLT2012公开数据集、自建新闻数据集和多模态数据集Khan上进行对比实验,实验证明我们的方法在不同领域的数据集上具有通用性。(3)将基于自注意力机制的序列切分模型用于段落分割的任务。在数据集Khan上进行实验评估表明我们的方法对教育领域文本的段落分割的有效性。总之,本文提出的面向课堂教学的字幕生成工作具有较大的研究价值,我们创建了多模态数据集Khan并将自注意力机制用于句子标点预测和段落分割,对面向课堂教学的字幕生成这一课题进行了深入的研究。