考试是一种严格的知识水平鉴定方法。通过考试可以考核学生的学习能力和知识储备。为了保证考试结果的公正、公平性,考场必须要有很强的纪律性和约束性,并且专门设置有主考、巡考等考场工作人员监督考试过程,绝对禁止任何形式的作弊行为,否则作弊考生将要承担法律责任和刑事责任。传统的监考手段主要依靠人力监考,即在每个考场设置相应的考场工作人员进行监考、巡考、处理考场突发情况等事务。大规模的集中考试会消耗考试机构大量的人力资源,而且考场工作人员的视野范围有限,难以避免的会导致一些作弊行为被遗漏。虽然监控摄像器等数字设备现在已经广泛应用于各种考试场景中,但这类设备只具有简单的视频录制和回放的功能,识别任务还依赖大量的人力来完成,缺乏智能性。现有的智能监考方法多采用光流法、HOG等方法,重复处理大量的冗余背景信息,具有识别准确率低、识别速度缓慢等缺点。本文针对上述智能监考的技术空缺,提出了一种基于人体姿态的实时考场细粒度异常行为检测方法。我们工作的贡献主要为:首先,我们应用Open Pose技术和循环神经网络技术搭建了一个智能监考的基础技术框架,创新性地使用人体姿态估计方法完成监考任务,并对Open Pose方法进行结构简化和模型压缩,实现了方法的实时性和并行性;其次,考虑到实际考试场景中存在大量的作弊微动作,我们对循环神经网络提出了一种细粒度的动作识别优化方法,融合时间注意力信息和空间注意力信息对动作识别方法进行改进,提高模型对左顾右盼、低头抄袭等细粒度异常行为的识别能力;在此基础上,我们进行了大量对比实验来验证我们工作的有效性,验证得到系统在图形运算处理器中达到了76.8FPS的识别效率和98.5%的识别准确率;最后我们应用上述方案对基础框架进行改进,并且搭建了一个智能监考应用系统,然后展示了在实际考试场景下的部分识别结果。系统使用消息队列最后前后端服务器的信息交换方式,并具备异常行为标注、记录和报警功能。