随着我国教学模式的不断更新,教师在教学活动中的压力也随之增大。为了最大化地提高集体中每个学生的学习能力,就需要教师保持对每个学生的关注度,而在传统的课堂教学中,教师不可能对每个学生学习状态进行监控,这就导致一些学生不被教师关注,造成优者更优,差者更差的两极分化,这是传统教学中迫切需要解决的问题。本文的主要研究内容是通过对学生学习姿态的识别研究,实现课堂学习中学生的学习状态分类,并且设计了学生学习状态监测系统。具体研究内容如下:1.根据学生在课堂学习中专注、一般、不专注三种学习状态的特点提出了六种识别学习状态的特征动作,设计出了学习状态特征空间模型。2.分析了学生处于不同学习状态的学习姿态特点,提出了一种基于学习专注度评分的学习状态识别方法。3.设计了基于卷积神经网络的学习状态分类识别算法,进行了网络结构的设计、网络参数的调试和网络的训练,并对各个参数设置对结果的影响进行了实验,找到了最优的网络结构。通过实验,平均识别准确率达到81.5%,并得到了误差为±0.14的识别准确程度。4.设计了基于支持向量机的学习状态分类识别算法,描述了六种特征动作的识别方法,提出利用3个支持向量机的输出概率分类学习状态。最后通过基于支持向量机的学习状态分类实验得出对学习状态的平均识别准确率达到78.6%。5.本文将基于卷积神经网络的学习状态分类识别方法与基于支持向量机的学习状态分类识别算法进行融合,得出融合算法在单个学习状态的识别中的精准率均优于单一的分类算法,并且平均准确率达到83.3%。6.设计并完成了基于学生在课堂学习中学习姿态的学习状态监测分类系统。