随着在线教育平台的蓬勃发展,实时评价学生的学习效果是不可或缺的关键环节。目前考核评价是学习效果评价的主要方式,该方式无形中增加了教学成本,并且根据基于在线学习平台的学习效果的探究,及时反馈（实时知道学习效果）比远时反馈（等考试成绩结果）所产生的激励作用更大。所以有必要在线学习系统中引入能够根据学生的表情实时得出学习效果的功能。该功能可以不被学习者察觉,相比考核的方式更加方便、快捷。根据教育技术研究者的研究将学习者的情感分为兴趣、厌恶、悲伤、愉悦、睡眠、紧张六类,实时的统计积极情感的人数可以得出整体的学习效果,统计某个学习者在整个学习过程中积极情感出现的次数可以得出个体的学习效果,并验证了该系统分析的学习效果结果与实验预设一致。首先,情感识别主要是识别动态序列图片中的表情特征的变化。本文用人脸表情变化显著区域的44个面部特征点的29条连接线的长度组成特征向量来定义表情特征。为了定位人脸特征点,传统的方法是先获取人脸区域位置信息,然后在每个人脸区域采用ASM（Active Shape Model）主动形状模型得到面部特征点。本文对于 MTCNN（Multi-task Cascaded Convolutional Networks）每张训练图片中的人脸区域,先使用ASM定位到33（总共的特征点数减去鼻子区域的特征点数减去MTCNN已经找到的两个嘴角特征点）个面部特征点并将它们的坐标记录下来,然后重新训练MTCNN,使它在检测人脸区域的同时在每个人脸区域定位到33个面部特征点。相比传统的方法,本文采用的方法可以减少计算步骤并提高计算速度。其次,通过研究上述29条连接线形成的面部特征是针对基本面部表情识别采用的特征并且该特征存在一些冗余信息。为了提取到学习者的表情特征,本文对定义表情特征的特征向量做如下修改:1.将脸部面积的值添加到其中,通过观察脸部面积的变化来说明学习者的喜好度。2.将上嘴唇最高点到嘴角连线的垂线添加到其中,表示学习者的愉悦-悲伤程度。3.由于鼻子区域包含的情感信息较少,所以从其中去掉鼻子区域的4条连接线,从而降低特征的维度。最后,设计了与VGG16具有相同结构的深度卷积神经网络对提取到的特征向量进行分类。本文按照FER2013数据的组织架构方式准备自己的数据集。使用构建好的数据集训练卷积神经网络并使用验证集验证该分类器的有效性。使用训练好的分类器,设计并实现了一个基于深度学习的在线学习效果分析系统。