立德树人是高等教育的根本任务,在科学技术高速发展的今天如何利用先进的技术手段实现精准化思政教育成为现阶段的一个研究热点。对于学困生队伍（学业困难学生）的精准化帮扶是精准化思政教育的一个研究方向,而高校现有帮扶策略多以人工统计不及格科目、下达书面预警通知为主,或以简单关联算法实现对成绩的预测。本文在现有预警系统的基础上,对采用LSTM神经网络改进学业预警系统展开研究,具体工作如下:（1）针对学生行为数据种类复杂、特征提取困难的问题,提出了一种基于多维正态分布的前馈分类特征提取方法。为了降低数据缺失对模型的干扰,采用径向基函数对整理好的数据矩阵进行高维映射,在高维空间中采用前反馈多维正态分布对高维数据矩阵进行特征提取,并将通过特征矩阵提取后数据输送到不同训练网络、分类运算。实验证明,分类训练更能凸显数据特征,训练结果更优异。（2）为了更好的处理学生的长时间依赖数据,提出了基于改进LSTM神经网络的训练方法。实验用自适应激励函数的平均函数代替LSTM神经网络中的激励函数以提高LSTM神经网络的学习能力与学习速率,采用MLP神经网络与LSTM神经网络级联的方式进行数据分类预测并将输出概率融合计算从而实现提高输出准确率的效果。实验证明,改进LSTM学业预警模型具有更快的训练速度和更高的预测准确率。（3）开发了实用系统并实际投入使用。系统在实现学业预警预测功能后围绕核心算法搭建了一套系统,并根据实际使用需求设计实现了毕业概率预测、学分绩查询、班级成绩分布、班级学业预测等功能。目前该系统已正式在G大学计算机学院投入使用,反响良好。在实际实验过程中,实验收集了G大学2017-2020届四届毕业生共两万余人的第一学年必修课成绩、消费信息、图书借阅频率等数据,并将其清洗、整理形成了一个标准的数据集。经实验验证,模型预测准确率稳定在94.21%,最高能够达到98.17%,平均准确率较现有预警模型提升两个百分点,尤其在负召回率方面提升明显,在数据依赖性和结果稳定性方面也有大幅度提升。