随着大数据时代来临,教育领域信息化速度持续提升,高校数字化校园进程也在平稳推进。高校各大平台及业务系统在为师生带来便利的同时储存了大量的数据,其中存在很大一部分数据为学生平日里在校期间产生的,这些海量数据资源为数据挖掘分析过程提供了不可或缺的数据支撑。对高校开展个性化教学管理,针对不同学生采取不同教育模式,提高课业效率,具有重要实际意义。基于此,本文采集了高校教务系统、一卡通系统、图书馆管理系统、教务处成绩管理系统、教学管理系统以及校各业务系统中的学生数据。根据预处理后的数据建立高校学生行为特征指标库,根据学生行为将指标分为消费行为、生活行为、学习行为三大板块。通过初始质心选取以及减少距离运算次数两方面对传统K-means算法进行优化,提高算法准确率及运行速度,对学生行为特征进行聚类挖掘,并对聚类结果进行了详细阐述。本研究利用预先剪枝优化与双向搜索优化两种方式对Apriori算法进行改进,以改善传统Apriori算法扫描数据库次数过多,时间开销较大的弊端。根据测试三种算法在不同支持度阈值下的运行时间对比,发现双向搜索优化算法优于预先剪枝优化算法和传统Apriori算法。因此,最终选取基于双向搜索的改进算法对学生行为特征与其成绩进行关联挖掘分析。对聚类后的学生行为数据信息进行整理,并与学生成绩之间进行关联规则挖掘,根据本文研究内容对所有的关联规则进行筛选,得到学生行为规律与其成绩间的关系,最终挖掘出5条有效的关联规则。依据挖掘结果,能够为高校教育教学管理任务提供决策方向,有利于教育工作者提升课堂教学质量、精准落实因材施教工作、提升学生整体素质、展开高校学业预警工作、提高授课效率等。同时也为高校管理人员制定、完善和落实相应政策提供了一定的支持。