基于人工智能的教、学、管正成为我国现代化教育教学的重要标志。考试不仅是检查学生学习情况的常见形式,也是人才考核与选拔的重要手段。尽管现行的考场已经按照标准化考场建设的相关规定安装了监控设备,但目前的监考方式仍然占用了大量的人力资源,未能研究够借助先进的计算机视觉技术自动地识别和理解考生的行为。本文以标准化考场为研究对象,研究基于深度网络模型的考场考生位置自动检测方法,可用于后续的智慧考场中考生行为分析与理解。本文的主要创新性工作包括:（1）以标准化考场中的考生为研究对象,构建了“Examinee Position Detection Dataset”图像数据集。具体方法为根据标准化考场中考生及监考教师的位置分布及形态特点筛选合适的视频帧,利用LabelImg工具进行人工标注,从而形成专用数据集。在此基础上,提出一种基于SSD（Single Shot multibox Detector）的考场考生目标检测方法,验证该数据集的有效性。实验结果表明,所提方法准确有效,数据集提高了考生位置检测的准确性。（2）为提高标准化考场考生检测准确率,根据标准化考场中监控设备采集成像的场景特点,对SSD改进,提出基于SSD-DU的考场考生目标检测方法。改进之处在于:用交并比的自适应调整阈值划分样本,以增加训练过程中预选框正样本比例;在SSD部分预测层中引入特征上采样,提升模型对弱小目标的提取能力:将以上2种改进后的检测结果进行并集操作,以平衡不同尺度目标的检测效果。实验结果表明,SSD-DU能够有效地检测真实考试场景中的目标位置,mAP（mean Average Precision）达 86.05%,比原始 SSD 提高15.15%。（3）扩充考生目标检测专用数据集,提出基于SSD512的视频实时目标位置变化检测方法。该方法首先利用SSD512对考场监控视频中考生位置实时检测,获取每一帧中考生位置信息;然后利用帧间同一目标位置检测框的变化程度,判定同一目标是否发生位置变化;最后,对连续帧中位置变化目标实时检测。实验结果表明,所提方法能够以每秒20帧的速度准确检测视频中所有考生及监考教师的位置,及时发现视频中位置发生变化的目标并实时标记其在监控视频中的位置,减轻监考人员的视觉疲劳。