教育信息化逐渐成为全国关注的重点话题,通过教育信息化提高教学效率是教育事业中课程改革的重大目标。课堂教学是教师与学生交流互动的空间,是教师指导学生学习和学生探索知识的主要途径。在课堂教学中,学生的课堂表现是很重要的一部分。而学生的课堂表现不仅包括学生的上课发言、小组讨论,还应包括教师授课时学生的专注度情况,学生上课表现是否专注往往体现在学生的面部表情以及课堂抬头率情况,而这些方面也反映了学生的上课效率、对新知识的接受能力等。但是经过文献调查研究发现,现有的学生课堂专注度评价方法还存在以下几个问题:第一,在一对多的教学课堂环境中,容易造成评价不全面、不及时;第二,评价方式单一无法全面考虑到影响学生课堂专注度的因素;第三,不同的评价指标之间没有建立起合理的联合评价模型,受某一指标的影响比较大,无法有效降低误差;第四,表情识别算法的识别效果不理想,导致专注度评价存在一定的误差。针对上述问题,本研究改进了两种神经网络算法用于表情识别,分别是基于VGG网络的改进模型和基于可分离卷积网络的改进模型。并且利用改进的VGG网络模型建立了基于表情和抬头率的联合专注度评价模型,旨在通过联合评价模型对学生课堂专注度情况做出更全面、客观、科学的分析。相比于其他算法,基于VGG网络的改进算法在FER2013数据集上取得了最好的成绩,并且大大节省模型训练的时间,在很大程度上提高了效率。而基于可分离卷积的改进模型,在测试集上的准确率仅次于改进的VGG网络,但是其收敛性要好于前者。在学生课堂专注度评价中,本文首先利用人脸识别技术中的人脸检测算法检测出人脸和截取表情数据,并且计算出抬头率;然后利用改进的VGG模型进行人脸表情识别并赋予对应表情的权重计算出表情得分;最后将同一时刻计算出的抬头率乘以表情得分作为最终的专注度得分。通过在实际课堂中进行实验并分析实验结果,得出相应的结论并为教师提供教学建议。为了验证模型的可靠性,本文通过随堂练习测试、教师提问以及对学生和教师的访谈对模型进行验证,结果表明本文提出的基于表情和抬头率的联合评价方法具有较高的准确性和可靠性。