随着时代发展,加快了校园学生数据信息化速度,学校的各个管理部门更多的将学生数据存储在电脑上,让学校里学生管理工作效率更高。各个部门的相关数据越来越多,而这些数据都与学生的在校行为息息相关,可以很好的反映学生在校的行为习惯和学习现状。因此,采用数据挖掘技术去对学生行为数据进行观测和分析,对于学校和学生的管理以及建设都非常重要,可以很好的提高学校的管理效率。本课题利用杭州某高校的校园一卡通消费数据和教务处资助名单来进行贫困生分类预测研究,利用郑州某高校的学生上网日志,来对学生的上网行为进行聚类分析。学校已经开始广泛使用校园一卡通系统,学生在日常的消费使用过程中产生了大量的一卡通数据,以学生在一卡通卡务中心、信息中心产生的相关数据为研究对象,将数据挖掘技术应用到校园一卡通的消费数据中来进行深度挖掘;本文基于机器学习分类算法构建高校贫困生的分类模型,提出了将PCA和SMOTE算法结合起来的PS-XGBOOST模型进行分类预测,为我国高校贫困学生的评定标准提供重要依据,保证学校贫困学生认定的公正。在深度学习K-MEANS算法和CANOPY算法的基础上,基于HADOOP平台设计了这两种算法的并行化的算法,同时提出改进的CAK-MEANS算法,并将改进的并行算法部署在3台机器组成的HADOOP集群上来对学生在校的上网数据进行研究。本课题通过结合大数据技术与聚类算法从各维度分析了学生的行为数据,得出的结果能帮助老师对学生有进一步的了解;而且采用大数据技术分析学生的上网数据,可以从技术角度来对校园网的管理工作提供决策帮助。