近年来随着高校招生扩招,以班级为单位的学生数量不断上涨,大学授课老师管理课堂、教学授课工作日益繁重。随着智慧化校园的普及,通过深度学习检测学生在教室中的异常行为是提高课堂效率的重要措施之一。但视频监控系统现有的功能仍存在诸多问题:有效检测识别度低、异常行为预警反馈慢、不具有完善的统计报告等。鉴于此,设计并实现一套基于计算机视觉的学生异常行为识别系统,即将教室监控所拍摄的学生学习状态传给计算机,利用基于Darknet-47骨干网络的目标检测技术实现异常行为学生的定位与分类,再将有异常状态标签的学生位置信息封装保存用于发送预警信号。主要研究工作如下:1、数据集的构建,针对公开的教室监控视频数量较少、监控视频数据集涉及到教室学生隐私问题、国外数据集的外国学生体型样貌与国内学生不一致等问题,基于重庆理工大学一、三教学楼监控视频自建数据集,并使用专业标注软件Label Img对数据进行分类标注。2、轻量级检测网络Lite YOLOv3,在YOLOv3特征提取网络的基础上扩充浅层网络并减少深层网络,降低网络的总参数量和计算量,在降低模型对小目标漏检率的同时加快网络运算速度,满足异常行为检测实时性需求。3、基于数据标签的随机擦除法,能够模拟监控视频中异常目标学生被遮挡情形,扩充有效样本容量,提高样本多样性,进而降低模型对被遮挡目标的漏检率,使得模型更具有鲁棒性。4、多尺度特征融合网络方法,在Lite YOLOv3网络模型浅层处增加一个预测尺度,使得网络可以检测像素尺寸小于8×8的目标,进而再次降低网络模型对小目标的漏检率,提升模型检测精准度。5、注意力机制模块PCSA,通过分配空间域和通道域的权重,使得网络模型更加关注某个局部的信息,提升其对于关键特征的提取筛选能力,进而提升模型检测精准度。使用GIOU作为异常目标检测的衡量指标,通过引入非重叠部分计算直观反映出异常目标预测框与真实框的相似度。6、包含硬件端、服务端和用户端的智能视频监控系统,实时统计监控中出现异常行为的学生数量和异常行为的类别,适时发出语音预警提醒学生与老师。智能视频监控系统提高教师在授课过程中的效率,其回看功能有效协助老师、家长分析特定学生近期学习状态。