技术特征：
1.一种课堂行为识别方法，其特征在于，包括：获取待识别目标的人体图像；采用第一预设网络模型提取所述人体图像的人体骨架图像；根据预先训练的目标神经网络模型对所述人体骨架图像进行识别，得到所述待识别目标的课堂行为类别。2.根据权利要求1所述的课堂行为识别方法，其特征在于，所述获取待识别目标的人体图像，包括：获取待识别目标的原始图像；对所述原始图像进行裁剪处理，得到所述待识别目标的人体图像。3.根据权利要求1所述的课堂行为识别方法，其特征在于，所述第一预设网络模型为基于openpose开源框架建立的模型。4.根据权利要求1所述的课堂行为识别方法，其特征在于，所述课堂行为识别方法，还包括：获取样本图像集，所述样本图像集包括多个人体骨架图像样本；将多个人体骨架图像样本输入预设神经网络模型进行训练，得到所述预先训练的目标神经网络模型。5.根据权利要求4所述的课堂行为识别方法，其特征在于，所述将所述获取待识别的人体骨架图像输入预设神经网络模型进行训练的步骤包括：将所述多个人体骨架图像样本中的一参与训练的人体骨架图像样本输入预设神经网络模型进行训练，并基于训练的结果获取对应的交叉熵损失函数；判断所述交叉熵损失函数的损失值是否小于预设阈值；若小于所述预设阈值，则结束训练；若大于所述预设阈值，则将所述交叉熵损失函数的损失值进行反向传播以更新所述预设神经网络模型的权重，并返回所述将所述多个人体骨架图像样本中的一参与训练的人体骨架图像样本输入预设神经网络模型进行训练的步骤。6.根据权利要求4所述的课堂行为识别方法，其特征在于，所述预设神经网络模型的结构包括依次连接的第一提取层、第二提取层、第三提取层、第四提取层、第一全连接层、第二全连接层以及输出层。7.根据权利要求6所述的课堂行为识别方法，其特征在于，所述第一提取层、第二提取层、第三提取层以及第四提取层分别包括依次连接的第一卷积层、第二卷积层以及最大池化层。8.一种课堂行为识别装置，其特征在于，包括：获取模块，用于获取待识别目标的人体图像；提取模块，用于采用第一预设网络模型提取所述人体图像的人体骨架图像；识别模块，用于采用预先训练的目标神经网络模型对所述人体骨架图像进行识别，得到所述待识别目标的课堂行为类别。9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一项所述的方法。