学生课堂表情能在一定程度上反映出对知识的掌握度以及教师的教学质量,但仅仅通过教师观察来全面掌握学生的学习情况还远远不够。随着计算机视觉技术在教育中的应用越来越广泛,基于深度学习的课堂表情识别和分析技术也越来越成熟,通过对课堂表情与学习效果进行相关性研究能够让老师及时了解学生在课堂上的情感积极度,从而不断反思,改进教学策略,进一步实现动态化的教学管理,促进教师教学能力纵向提升,学生积极快乐成长。因此,本文的主要工作如下:（1）人脸检测,生成情绪指数。录制教学视频,获取单帧图片;通过Retina Face进行人脸检测,完成课堂人脸表情切割;以CK+作为课堂表情分类标准,利用Dense Net网络和CK+数据集计算出单帧图片的情绪指数。（2）构建学生情绪评价模型,分析学生课堂情绪指数。通过每个学生的课堂情绪指数找出整体情绪指数的数据形态,构建基于Student T分布的课堂情绪指数模型,然后利用马尔科夫链蒙特卡洛方法采样课堂情绪指数。（3）人脸比对。选取目标图片,通过face＿recognition将视频中切割出来的人脸表情与目标人脸表情进行对比归类,生成个人人脸表情情绪指数。（4）相关性研究。通过研究学生课堂情绪状态与学习成绩之间的关系,分析课堂表情与学习效果的关联性,教师能实时掌握学生的情感状态,对学生进行及时的帮助和指导,以便发现教学问题,找到教育规律,提升教学水平,为提高教师的课堂教学质量提供了另一个途径。结论:难度较大的课堂学生的课堂情绪指数较低;复习课和新课的课堂情绪指数无太大差别,学生情感状态都较积极;成绩好坏与情感状态的稳定性有一定联系;前期成绩与情绪指数、后期成绩呈现正比关系。