近年来,大数据智慧课堂成为教育领域讨论的焦点,运用人工智能技术来创建智能化的课堂学习环境是未来各类学校将要推行的创新教学模式。随着计算机硬件算力的提高以及深度学习时代的到来,行为检测技术将被广泛应用于智慧课堂、云端教育等领域。当采用现有的目标检测算法对教室场景的监控图像进行行为检测时,会出现错检、漏检、定位不准等问题。为解决这些问题,本文构建了新的教室场景图像数据集,并提出了三种新的行为检测方法。本文主要研究内容如下:1.本文构建了一个新的教室场景图像数据集。本文通过观察日常学习课堂中常见的行为,确定了 12类行为类别,并通过多种途径完成了图像采集工作。由于每张图像包含多个不同的教室行为模式,现有公开数据集中没有此类数据集,因此本文对新的数据集从图像数量、行为标注框、标注框面积等角度进行分析,证明了本文构建的教室场景行为数据集能够服务于行为检测任务。2.本文研究了基于空间变换的几何失真目标的行为检测方法。针对教室场景的目标由于摄像头成像特性而带来的一些固有的几何失真,本文对失真的目标特征进行空间变换操作,通过预测变换的参数,对目标实施像素重采样来抵消或者减轻失真带来的影响,增加目标行为特征的一致性。3.本文研究了基于特征金字塔的多尺度注意力的行为检测网络。针对多尺度特征在采用特征金字塔网络融合时的局限性,本文提出利用多个尺度的特征进行自适应重采样然后拼接,并将拼接后的特征通过通道和空间两个维度的注意力进行加权融合。该方法在融合时考虑了不同尺度特征对不同大小目标的重要性,在特征金字塔的基础上进一步增强了特征的表达能力。4.本文研究了基于交并比参数加权的目标定位损失的行为检测算法。本文从提高困难样本的训练权重出发,首先介绍了现有的定位损失函数的发展过程,并在常用的损失函数的基础上提出使用交并比参数加权的定位损失函数,最后通过实验来设计合适的损失函数参数。本文在构建的数据集上对以上方法进行训练和测试,实验结果证明了本论文改进的方法能够有效地完成教室场景的行为检测任务。