人工智能和数据化时代的到来,“互联网+”教育模式得到了井喷式的发展,2020年初,新冠肺炎疫情的爆发,使得在线教学模式进一步推进。然而,在线课堂由于存在时空分离、单线教学的方式,缺乏人性化的交流;当学生的学习情绪和学习行为背向学习课堂时,教师无法及时纠正和给予提醒,导致学生的学习效果不佳。因此,如何利用人工智能的方法从在线课堂中获取学生的学习行为,分析判定其课堂状态,形成有效的课堂状态评估机制,是实现科学的在线教育、提升学习效果的重要基础。基于此,本文对基于表情分析的在线课堂状态监测系统开展了以下研究:（1）研究了基于表情分析的在线课堂状态监测课题的研究背景和意义。回顾了传统的人脸检测方法、人脸识别方法。分析了现阶段国内外在人脸检测领域和人脸识别领域的最新研究进展。介绍了该系统中所使用的关键方法的理论基础,包括:人脸检测、人脸识别、疲劳检测以及卷积神经网络。（2）传统的人脸检测算法具有计算量大,实时性差的缺陷,限制了其实际应用场景,基于此,提出了改进的MTCNN（多任务卷积神经网络,Multi-Task Convolutional Neural Network）人脸检测模型。该模型将原有的多尺度图像金字塔与多模板的图像采样方式相互结合,改进了MTCNN中图像金字塔预处理方式,提出了一种基于多模板的高斯金字塔预处理方式;为了减少网络的计算量,提高表达能力,需要在图像中挖掘出更多的信息,该模型改进传统的MTCNN模型中的卷积运算,优化模型的网络结构;为进一步减小计算量,高效率地获取图像中的人脸信息,分别在MTCNN的P-Net和R-Net后增加了Siam因子,对子网络的输出结果进行筛选,减少传输的无用候选框数量。实验结果表明,该模型具有97.4%的检测准确率,取得了较好的检测效果。（3）围绕在线课堂状态监测研究课题,为弥补现阶段人脸识别当中存在的缺陷,提出了一种改进的AlexNet网络结构的人脸识别模型。利用改进的模型对人脸图像进行识别,采用全局平均池化思想对图片进行降维处理,有效减少了参数量以及过拟合现象。考虑类内部聚合力的影响,调整类内方差和类间方差,对Triplet loss函数进行改进,采用改进后的Triplet loss函数取代原来的Softmax函数。实验证明,改进后的模型比传统AlexNet网络识别准确率平均提高4%。（4）针对课堂状态分类问题,本文设计了CNN-SVM和VGGNet-O两种分类模型。CNN-SVM模型通过对识别出的人脸图像采用基于级联卷积神经网络方法进行特征提取,获取眼睛以及嘴巴两个主要部位特征,并计算眨眼频率。然后以嘴型变化值、眼睛变化值、眨眼频率以及PERCLOS值作为输入,采用SVM方法进行分类。VGGNet-O分类模型通过基于改进的VGGNet网络进行特征提取和分类,在VGGNet-O模型中引入Oct Conv卷积单元,将特征划分成高频特征和低频特征来减少空间冗余。最后利用数据集对两种分类方法进行了测试和比较,两种方法对三种课堂状态的平均识别准确率达90%,且VGGNet-O模型比CNN-SVM模型平均准确率平均高出3%,证明了分类模型的正确性和有效性。（5）基于人脸检测、识别、特征分类的研究,设计了基于表情分析的在线课堂状态监测系统。阐述了系统的需求分析、设计思路和工作流程。根据需求分析,规划设计了系统UML用例图,给出了数据库E-R图和数据库表的设计。详细描述了该系统中Web端和服务器端的设计与实践过程。系统能检测学生在网课学习中的人脸特征参数,自动评估其课堂学习的状态,帮助教师精确了解课堂,提升课堂教学效果。