第51卷收稿日期：2022年8月15日，修回日期：2022年9月27日作者简介：戴海云，女，硕士研究生，研究方向：计算机视觉。张明，男，副教授，研究方向：理论研究：机器学习、模式识别与人工智能、粗糙集决策支持理论研究等；工程应用研究：嵌入式智能终端硬件/软件开发，安卓与IOS系统应用开发。∗1引言目前将人脸表情识别作为课堂质量分析的研究还不够广泛。而且在现实中，课堂中往往缺乏老师与学生的沟通交流，只重视老师对课堂所教学的内容的同时，会忽视对课堂能给出直观感受的学生的反馈信息。虽然也有传统的课堂质量分析，比如专业人员进行人工记录或者学生课后问卷打分［1］，这些都带有主观因素和滞后性。全国都在推行素质教育，而课堂作为教学最关键且最主要的方式，所以老师对学生的脸部表情的反馈更能够知道该学生对自己的教学是否适用。比如，老师在课堂上看见学生是眼睛张开，嘴角上扬，愉悦地望向自己，他应该就会知道这个学生对自己的教学内容有了理解，那么此刻老师就可以适时地进入下一个讲解，但若是看见学生眉毛紧皱，嘴角下拉，甚至是疲惫的状态，那么老师可以结合自己的多年教学经验得出此刻学生有疑惑或未理解，那么老师即可作调整。但是老师不会一直将注意力放在学生的表情和对其的分析上，也不能全面兼顾到全班所有同学基于人脸表情识别的课堂质量分析∗戴海云张明（江苏科技大学计算机科学与工程学院镇江212003）摘要课堂是教师授课与学生学习的主阵地，所以课堂质量分析体现着一所学校的教学水准和教师授课于学生的的适用性的高低。然而，在当今教育业中，对于课堂质量的分析，每个学校或者每个教育机构都有着参差不齐的理论基础和评价方法，始终都没有达成一个统一且高效的标准。因此，对于结合人脸表情识别技术，研究出新的低成本或成本可控、高精度以及较高可靠性的课堂质量分析是我们现在亟需解决的难点问题。论文提出的一种基于视频序列表情识别的新模型，即特征融合-BiLSTM模型在常用的数据集中验证了表情识别的效果，并将其使用于论文给出的新的课堂质量分析体系中，结果显示可以为现阶段的课堂教学分析提供相对可靠的参照。关键词人脸表情识别；特征融合；BiLSTM；课堂质量分析中图分类号TP301DOI：10.3969/j.issn.1672-9722.2023.03.033ClassroomQualityAnalysisBasedonFacialExpressionRecognitionDAIHaiyunZHANGMing（SchoolofComputerScienceandEngineering，JiangsuUniversityofScienceandTechnology，Zhenjian...
