在信息技术产业快速迭代的时代背景下,融合计算机技术的数字化教育正在不断地革新传统教育模式。在这种背景下,智慧教育深入至各类教学场景,这为教育者深入研究学习者心理、行为,从而为学习者给出有效反馈提供了新契机。学习者学习过程缺乏客观监督与有效反馈一直是教育的难题,因此,学习状态的是否有效量化是教学评价机制的重要指标。面向智慧教学场景下学习者的状态评估,深入探究学习者状态和行为之间的联系,可以为学习者、教师及其他教育机构角色构建学习行为量化感知、评估与干预的数据支持。姿态作为人类行为最直观的体现,是一种绝佳的学习者外显行为度量方式。本文将立足智慧教育指导下的教学场景,挖掘现有数据问题并展开人体姿态估计方法研究。不断提高算法性能,以此适应快速变化的多样智慧教育场景,更加全面而精准地刻画学习者状态,从而为干预其任务完成情况和设定学习目标提供重要基础。本文的工作如下:（1）基于骨骼线索感知的高斯坐标编码预处理策略受多样化课堂形式影响,使用网络摄像机提取的课堂场景易出现物体遮挡、学习者之间的肢体重叠和背景杂乱等问题,从而导致最终识别结果不精准。研究表明,此类问题一般首次出现在关键点点检测级别,此阶段产生的漏检、误检和检测冗余问题是直接干扰后续识别阶段的关键因素。根据以上发现,深入研究现有姿态估计方法论,构建了一种基于骨骼线索感知的高斯坐标编码策略,根据近邻关键点相对位置,在特定关键点周围编码各向异性的热图,能够自适应地跟随骨骼方向变化,以此实现更为符合人体结构先验的特征构造。（2）面向姿态估计的EHPE鲁棒模型构建基于深度学习技术的姿态估计作为一个回归任务,过程是以输入图像作为起点,关键点的预测坐标作为终点所进行的端到端训练。将上述基于骨骼线索的高斯坐标编码和输出坐标的概率分布构建损失函数,通过高斯编码得到的热图将任务约束成分类任务,因此在此文中,选择以L2损失为主要损失,以KL散度作为正则化项构建损失函数,由此训练出更加鲁棒的姿态估计模型。实验结果表明,基于骨骼线索的高斯坐标编码使得相邻关键点强关联,而新型损失函数大幅度提高了回归效率,在以多人人体姿态为主的MS COCO数据集上,比SOTA方法在平均精度上提升3.3%。而在MPII数据集中,在PCK0.5和PCK0.1的指标中分别提升0.5%和0.3%的平均精度。在丢失纹理、颜色、光照信息的红外场景进行扩展性实验,检测效果均展示了模型的鲁棒性。（3）基于关键点位置信息的智慧课堂场景下的状态分类机制本文将智慧课堂环境下学习者行为根据其深层情感特征分为三大类:正性、中性和负性。具体实施过程是,首先通过智慧教室中配备的网络摄像机获取视频数据,利用目标检测技术提取出人体主导区域框,输送至已构建的姿态估计模型和状态分类模型,输出学习者行为类别,并根本特定指标计算状态率。为输出课堂教学质量反馈报告,跟踪学习者状态提供客观依据。