计算机视觉技术和深度学习算法的逐渐成熟,加速了各个领域智能化的变革,而在学校课堂教学场景中应用深度学习算法是备受关注的一个领域。在传统的课堂教学中,学生的上课行为只能通过人工观察,该方法存在耗时耗力且低效的问题。因此,探索如何利用深度学习分析学生的课堂行为具有十分重要的意义。本文针对课堂教学中学生常见的行为,利用深度卷积神经网络实现对学生上课行为的检测,利用视频帧之间同一学生个体的位置关系和特征相似性关联学生个体行为,并以统计分析的方式量化课堂学生的行为。本文的主要工作包括:1.构建了学生课堂行为数据集（Database of Students’Behaviors in the Classroom,DSBC）。由于目前没有公开的学生课堂行为数据集,本文在本科班级中采集了大量视频数据,并利用标注工具制作了一个训练数据集,将学生的行为分为抬头、低头、站立、趴桌和转头五个类别。同时,针对自制数据集目标类别不平衡和目标尺寸单一的问题,提出了一种按类别比例分配图像和尺度多样化组合的数据增强方法,该方法有效地提升了模型的检测精度。2.提出了一种适用于课堂学生行为检测的技术。本文选用YOLOv5作为学生行为检测的基础网络,通过改进网络的特征融合结构,将低层特征与高层特征融合,使得输出特征包含更多细节信息。同时,为缓解网络模型较高的计算开销,以计算成本较低的重影模块替换网络的普通卷积模块,有效减少了网络的参数和计算量,降低了模型对部署设备的算力要求。通过特征融合与模型轻量化的改进后,对学生行为检测的平均精度（m AP）达到了84.9%。3.根据应用场景的特殊性,提出了一种利用视频帧之间学生的位置关系和特征相似性,将学生个体在连续时间内的行为变化关联上,该方法在教室密集课堂场景中能准确关联连续时间内小目标学生个体的行为,关联精度达到了90%以上。通过本文提出的方案,在教室密集课堂场景中,能准确检测与关联学生的行为状态,在此基础上,统计课堂学生的行为变化,量化课堂学生的认真程度,形成客观有效的课堂反馈,为授课教师提供客观准确的课堂参考,从而助力智慧课堂建设。