随着智慧校园建设的蓬勃发展,高校信息化和网络化建设已经从数字化迈向智能化。在教学过程中,学生的课堂行为对教学活动的展开与教学策略的调整具有重要的借鉴意义。在传统课堂教学中,学生行为识别主要通过人工观察实现,但该方法不仅繁琐且耗时,显然无法满足教育大数据时代的需求。因此探索如何利用机器自动识别学生行为成为一个亟待解决的问题。本论文主要采用迁移学习的方式,利用深度学习模型强大的特征学习能力,探讨解决学生课堂行为自动识别的有效途径。论文主要工作如下:(1)构建数据集。目前并无公开的学生行为图像数据库,本文采集了300名学生的七类行为共计2100幅图像构建学生课堂行为识别数据库,具体的课堂行为包括:看书、睡觉、举手、写字、听讲、站立与左顾右盼。(2)数据预处理。为了提升模型训练效果,本研究对训练集进行了预处理,主要包括学生检测和数据增强。学生检测使用Yolo_v3对图像中学生的位置进行了检测,并对图像进行裁剪。数据增强过程中本文共采用了 12种方式扩大训练集。(3)基于深度学习的学生课堂行为识别。本文使用在ImageNet上训练的ResNet 50网络作为预训练模型,通过迁移学习训练得到深度模型用于学生行为识别。同时,本文还通过大量实验探讨了主要参数对识别性能的影响。最后,本文开发了基于深度学习的学生课堂行为识别演示系统,用于演示模型训练和测试。