【摘要】将人工智能引入课堂教学活动，基于深度学习的方法智能识别学生在课堂上的行为，及时了解学生的上课状态，对教学改革具有积极作用。传统的学生行为识别方法有鲁棒性差，准确率不高等缺点。本文使用深度学习的方法，自建学生课堂行为数据集，在 YOLOV5 的基础上引入 CA 注意力机制，在模型检测速度不变的情况下，增强模型的鲁棒性，注意力机制从通道和空间两个维度有效提取学生课堂行为特征。仿真表明，与 Y O L O V5 模型相比，加入注意力机制的模型对抬头、低头、玩手机、举手、记笔记、睡觉、交头接耳七类学生课堂行为识别提升了 2% 左右的 mAP（mean Average Precision）；对睡觉、玩手机、举手行为的识别准确率达到 90%。