随着对学生个性化教育要求的不断提高,教育教学的侧重点逐渐向学生的个性化,专业化方向转变。在教学过程中,教师无法关注到每个学生的课堂行为状态,只能从学生的作业或考试中得出学生课堂学习状态的好坏,且一些主观因素很容易使得教师对学生学习状态的判断出现偏颇。在传统的教学过程中,对学生行为的识别及把控主要由教师人工进行,但这种方式不仅耗时耗力,还会影响教师的上课质量,如何实现对学生课堂动作进行自动化识别成为一个亟待解决的问题。针对上述问题,本文通过人工智能技术及计算机视觉技术相结合的方式对课堂场景下学生的行为状态进行识别,辅助教师获得教学反馈信息。本文首先对现有的骨骼关键点检测方法进行探讨,对选用的Open Pose模型进行详细的分析研究,阐述其骨骼关键点检测及连接过程。然后针对课堂动作行为识别数据无公开数据集的问题,采集课堂场景下教学视频并构建标准动作数据集,分为举手、趴、托腮、玩手机和写字五类。而后针对这五类动作进行关键点分析后,去除关联较弱的骨骼关键点并通过Open Pose模型进行关键点提取和归一化处理,通过对比随机森林和支持向量机两种分类模型在数据集上的分类效果最终选取多项式核支持向量机作为骨骼关键点明确场景下的模型训练和分类的方法。同时本文研究基于深度学习迁移的动作识别方法与上述识别方法进行对比,并提出一种基于骨骼关键点灰度热图的深度学习迁移的动作识别方法,解决骨骼关键点信息不完整情境下的动作识别问题。该方法与骨骼关键点动作识别方法相融合,可以大大增强对动作识别的有效性。最后,基于上述研究内容及识别方法的分析,在Qt开发平台设计并实现基于视频的学生行为分析演示系统。