2020年10月,我国发布了《深化新时代教育评价改革总体方案》,指出教育评价要向过程侧重,摒弃唯结果论,使教育评价主体更多元化和多样化。现如今我国教师主要以班级形式授课,这是一种一对多的授课形式,教师很难在课堂中深入且全面地评价每一个学生的课堂表现。随着计算机视觉的发展,基于监控视频的行为识别方法应用于各个领域,但是,其在教育领域中发展较为缓慢。利用计算机视觉技术对课堂学生行为进行分析,不仅减轻了教师的压力,也使得课堂环节的教育评价更加准确与科学。课堂场景的视频特点为人员密集、遮挡和形变严重,故通过现有的神经网络方法对课堂视频中的人体进行特征提取,根据该特征对人体行为识别的误差较大。根据上述情况,本文围绕基于计算机视觉的课堂学生行为分析方法进行研究,研究内容如下:（1）本文以人体关键点为基础,进行行为识别研究。根据身体骨架运动幅度的大小,将课堂学生行为分为大幅度动作行为和小幅度动作行为,对于不同的行为采用不同的识别方法。（2）本文提出基于人体关键点的大幅度动作行为识别方法。该方法首先检测出图像中所有人体关键点,将人体关键点作为行为识别的依据。然后,采用支持向量机法对人体关键点坐标进行分类。本文对低头、侧身、举手、听课四种行为进行识别,有较好的识别效果。（3）本文提出基于目标检测的小幅度行为识别方法。该方法通过YOLOv3检测手、手机、笔记本电脑、书籍四种物体,计算手和其他三种物体的交并比来衡量手和各个物体之间的关联度,根据关联度来对每种行为进行检测。（4）本文开发了一个基于Java Web的学生行为分析系统。该系统可供用户上传课堂视频或者课堂图像序列,通过行为识别模型的处理,自动记录学生的课堂行为表现,该系统提供了数据管理、数据校正和数据分析功能。（5）本文建立了高质量的用于学生行为识别的数据集。该数据集源于高清的摄像设备,数据集图像为课堂中的单人图像,包含两部分标注信息:人体关键点坐标和行为类别标签;课堂场景下人与物体的目标检测框和对应类别。综上,本文基于人体关键点检测技术和目标检测技术,进行课堂学生行为分析,实现了学生课堂行为的自动化处理与分析系统。该系统在准确性和时效性上都表现良好,为课堂教育评价提供一个便捷的工具。