教学活动中学习者作为主体,在其中扮演着重要角色。学习状态作为学生身体、心理等各方面情况的反映,则成为了教育领域的一个热点研究内容。而疲劳状态作为学习状态的一方面,较好的反映了学生在课堂上的表现,对其进行研究有助于了解学生、教学评价等。由此可见,对学生疲劳状态的研究是很有必要的。面部特征是学生疲劳状态的一个有效表征,而研究证明眼睛与疲劳状态的关联最为密切。目前研究中检测步骤一般囊括了人脸检测、人眼定位与检测、特征提取、眼部与疲劳状态判断几方面。其中,人脸、人眼检测以及状态判断是核心问题。但现有研究存在的主要问题是眼睛的定位易受外部环境影响,状态的判断需要人为定义眼部特征并提取。只有解决了这些关键问题,才能有效实现学生疲劳状态的判断。针对传统方法中存在的问题,本文提出了一种人脸检测和卷积神经网络技术相结合的学生疲劳状态判断方法,在一定程度上克服了光线、遮挡、角度等环境因素对眼部的干扰,避免了人工特征提取操作。论文主要工作如下：1.提出了一种结合卷积神经网络和人脸检测技术的方法,对关键技术进行了详细地描述。鉴于卷积神经网络的复杂性,通过大量实验探究了学习率、卷积层数等参数对模型的影响。2.实现了基于Haar特征的AdaBoost人脸检测,据此构建样本数据库用于卷积神经网络。通过分析大量实验,确定了适合本数据集的网络结构,并训练得到人眼状态的分类模型。3.为了提高模型的分类准确率,通过扩充数据集、调整相关参数等措施对模型进行了优化,并利用该模型实现了学生疲劳状态的判断。大量实验及与传统实现方法的对比结果表明,优化后模型对人眼状态具有较好的分类能力,且其避免了大量图像处理及人为特征提取操作。