良好的兴趣是创造性思维活动的起点,学习兴趣影响学习方式和学习过程,引导学生保持较高的学习兴趣可以有效地提高学生的学习效率。因此,对学生的学习兴趣度进行测量是教育评价过程中不可缺失的一部分。目前,课堂环境下对学生学习兴趣的测量大多采用问卷调查法、案例分析法和教师直接观察等方法,这些方法简单便捷,但常会因为教师精力不足、教学反馈延迟等因素造成对学生的学习兴趣水平识别率较低,识别结果可信度较差等问题。本文在行为理论和情感计算理论的支持下,提出了基于认知注意力、面部表情和课堂参与度的三维学习兴趣模型,构建和使用了卷积神经网络来识别学生的头部姿态信息和学习情感信息,并结合课堂上学生的举手频次信息,通过数据分层融合的方法获得学生的学习兴趣值。本文主要研究内容如下:（1）将行为理论与情感计算理论相结合,提出一种三维学习兴趣分析方法。课堂环境中,学生的头部姿态能够表示学生的关注方向,面部表情能够显示对学习内容的情感状态,学生举手回答问题的行为能够反应出学生对问题和问题解决的认知情况以及课堂教学的参与程度。通过分析学习情感、认知注意力、课堂参与度与学习兴趣度的相互关系,从学生的人脸表情、头部姿态和举手频率三个维度设计出一种课堂学习兴趣状态评价体系。（2）课堂环境下学生多模态信息的识别和获取。构建和使用了基于深度学习的数据检测方法和分析模型,对课堂环境中学生的学习情感和学习注意力进行识别。在学生学习情感模态信息的识别中,针对目前普通卷积神经网络在表情识别任务中出现的训练过程复杂、耗时过长、实时性差等问题,提出一种基于深度可分卷积神经网络的实时人脸表情识别模型,利用多任务级联卷积网络（Multi-task convolutional neural network,MTCNN）和核相关滤波（Kernelized correlation fiters,KCF）对不同尺度输入图像进行人脸检测和跟踪,模型在FER-2013数据集上对人脸表情的识别达到了73.8%的高识别率,在CK+数据集上微调获得了96%的准确率,处理单帧人脸图像的时间为0.22±0.05ms,整体处理速度达到80帧/s;在学生学习注意力模态信息的识别中,为了避免因光照变化、面部遮挡和侧面检测度不高的问题,通过训练Res Net网络来估计学生的头部姿态间接获取学生的学习注意力信息,并使用多损失优化的方法增加预测的准确度,实验结果表明,在AFLW-64和AFLW-112数据集上对头部姿态估计的平均误差角度为5.84°和5.34°,具有较高的识别率;在学生课堂参与度模态信息的识别中,统计量化课堂中学生参与问答活动中举手频次获得课堂参与度信息。（3）多模态信息的融合。基于本研究提出的三维学习兴趣分析模型,使用层次分析法和熵权法对学生的学习兴趣影响因素进行权重的计算,对学习注意力、学习情感和课堂参与度三个维度的数据加权求和得到学生的学习兴趣度。使用模糊数学的隶属度函数对学生兴趣度所属区间进行了定义。