当前国家对人工智能尤为关注,并且出台相关政策助力人工智能+教育,习近平主席强调要积极推动人工智能和教育深度融合,促进教育变革创新,充分发挥人工智能优势,加快发展伴随每个人一生的教育、平等面向每个人的教育、适合每个人的教育、更加开放灵活的教育。而学生参与问题一直都是教育教学极为普遍且重要的问题,所以有必要对学生学习参与度进行识别研究,这样既帮助老师了解学生的参与情况以便进行及时干预,又可以帮助学生反思自己的学习并促进其深入参与学习过程。笔者通过查阅国内外相关文献,明晰了人工智能（计算机视觉）在学生学习参与度识别方面的研究现状,也了解学习了卷积神经网络以及其典型的图像识别分类神经网络模型（Vgg16、Vgg19、Inception v3、Res Net50和Xception）。接着利用Aditya Kamath论文中的在线学习参与度开放数据集进行模型训练学习,通过记录五种典型图像分类的参与度识别准确率和训练时间开销等数据来比较分析这几种模型关于学习参与度的识别分类性能,从而筛选出相较最优神经网络模型。然后从真实课堂的上课视频中收集人脸图像,并进行人脸数据清洗和分类,主要划分为三个等级（没有参与、一般参与、积极参与）,以此形成真实课堂学习参与度数据集。紧接着在在线学习开放数据集的训练集中逐步加入真实课堂学习参与度数据,并利用前面实验结论中相较最优图像识别分类神经网络模型Xception对其进行训练学习,通过记录每次Xception模型训练学习的结果来验证相应场景数据（真实课堂学习参与度数据）对模型在相应场景数据下的识别准确率的影响。最后讨论总结了神经网络模型、参与度等级数量和相应场景数据这几方面对学习参与度识别准确率的影响,并且为学生学习参与度识别的实施提供了可行且有价值的建议,以期为相关研究与实践提供参考。基于上述研究,本文得出如下结论:（1）相同数据集的情况下,不同神经网络模型对学生学习参与度识别准确率有重要影响。在本研究中,Xception模型是性能最优的参与度识别模型,其次是Inception v3模型,之后是Res Net50模型。在等级1、3的增强数据集中,Xception模型对在线学习参与度识别的准确率最高达到98.48%,其训练的时间开销为37.6分钟。（2）相同神经网络模型的情况下,参与度等级划分数量对学生学习参与度识别准确率有重要影响。在本研究中,参与度等级划分数量为二的数据集的参与度识别准确率要大于甚至要远大于参与度等级划分数量为三的。（3）相同神经网络模型的情况下,当相应场景数据加入基本训练集时,模型训练结果对相应场景的参与度识别准确率有重要影响。在本研究中,放入训练集的真实课堂学生学习参与度人脸数据越来越多时,Xception模型对于真实课堂的学生学习参与度识别准确率在大趋势上是上升状态的。（4）相同神经网络模型的情况下,混合某个特定场景和其他场景的数据作为训练集和单一以某个特定场景的数据作为训练集这两种情况,模型训练结果对某个特定场景的学习参与度识别准确率有重要影响。在本研究中,无论是真实课堂数据中的单人数据集合,还是其平均准确率,或者是开放数据集中的测试集,混合训练集的学习参与度识别准确率大部分都高于单一训练集的识别准确率。