随着科技的发展,学生的专注程度自动分析正在成为人工智能和教育领域的一个重要交叉课题。它可以应用于人工智能辅助教育、仿人服务机器人、机器人学伴或机器人老师等智能交互系统中,通过智能系统来判断学生的学习状态,并向教师或家长提供反馈,或作为人机交互的某种决策依据。相比于传统的人工识别方法,以及基于单一信息的识别方法,利用多特征融合策略结合机器学习的自动专注度识别方法具有明显优势。但是,专注度自动识别是一个极具挑战性的难题,其关键在于如何构建一个合理的框架来提取并融合多种特征信息,同时,需要结合有效的算法来实现高准确度的专注度识别。本文通过多特征融合策略,将人脸位置、面部表情、人眼视线信息进行融合,构建了一个高鲁棒性的专注度识别模型。本文的研究内容如下:在专注度定义方面,将专注度的高低与可观察到的姿态、行为等视觉信息进行匹配,以找到多种有效的信息来反映专注度。本文选择使用面部表情、人眼视线和人脸位置作为有效信息进行结合,以定义不同层次的专注度水平。在数据集的构建方面,由于没有开源的专注度识别数据集,因此构建数据集是一个重要环节。本文采集了16位志愿者的学习视频作为原始数据,进一步提取出62792张图像,2425段5秒时长的视频片段;制定了筛选规则对数据进行分析和清洗;制定了标注原则,为数据标注“处于专注状态”和“处于非专注状态”的标签。在特征提取方面,本文通过基于残差神经网络（Resnet50）的人脸检测预训练模型,提取了人脸图像以及人脸位置特征;接着利用基于卷积神经网络（VGG-19）的面部表情识别预训练模型从人脸图像中提取面部表情特征,利用基于堆叠沙漏网络（Stacked Hourglass Networks）的视线检测预训练模型从原始图像中提取眼睛视线特征。在特征融合方面,本文提出了一种基于堆叠（Stacking）模型的特征融合策略,通过五折交叉堆叠训练,利用不同分类器从不同特征信息中提取有效特征,接着生成更具代表性的融合特征,以提高专注度识别算法的准确性和鲁棒性。在专注度分类方面,本文在专注度识别框架中利用融合特征对专注度进行分类,计算“处于专注度状态”这一类别的置信度分数的高低,再利用置信度分数对专注度进行进一步的层次划分,最终将专注度分为“极佳专注度”、“优秀专注度”、“良好专注度”、“一般专注度”、“差专注度”五个层次。在专注度识别图像数据集上进行测试,以F1分数（F1＿score）作为评价指标,利用本文的融合特征识别专注度的F1分数为93.47%,比本文所提取的最优的单一特征信息识别专注度的F1分数高1.03%,结果表明多特征信息的融合对提高专注度的识别准确度是有效的。在视频数据集上进行测试,以准确率（Accuracy）为评价指标,本文的专注度识别准确率为92.8%,比目前最先进的基于单一特征信息的专注度识别准确率高16.48%,比目前最先进的基于多特征的专注度识别准确率高17.5%。