随着教育信息化的发展,数据驱动下的教育改革逐渐成为研究热点;数字化校园时代的到来为高等院校推进便捷、高效的助学金评定工作带来了新的机遇。数字化校园的推行可以方便获取、利用学生的生活习惯、学习行为、考试等信息,挖掘分析这些数据对完善教育教学具有重要的意义。助学金的评定作为高校一项重要工作,传统评定方法可参考利用的信息有限。学生的经济情况跟学生在校行为是紧密相关的,利用学生在校行为数据能够快速、高效的预测需要资助的学生。学生在校行为数据来源不一,如果将这些数据进行简单组合,不能充分利用数据间的关联、互补信息,而多视图特征学习方法能够考虑到不同视图信息间的相互联系并且减少冗余信息量,有助于提升分类效果。此外,分类集成方法能获得较基于单个分类器更优的结果,可进一步提升预测效果。因此,提出一种基于多视图和分类集成的高校学生助学金预测模型,该模型主要包括四个步骤:首先将学生在校多维数据按学习表现和生活行为构建两个不同视图,其次用MULDA(Multiview Uncorrelated Discriminant Analysis)方法对数据进行处理并获得更具有表达性的特征,接着进行多视图信息融合,最后用GBDT(Gradient Boosting Decision Tree)集成方法完成高校助学金预测。实验结果表明:从多视图角度出发,并结合分类集成构建的预测模型效果优于单视图、单一分类器。现有的针对两个视图的判别性典型相关分析算法,没有考虑单个视图类别的相关性和视图组合特征判别性两者综合因素。因此,提出一种增强特征判别性的典型相关分析方法EN-DCCA(Enhance-Discriminative Canonical Correlations Analysis),该方法的优化目标在最大化类内相关的同时最小化类间相关,并且考虑了视图组合特征的判别性,进一步强化了特征的判别能力;并结合RKN-CE分类集成方法构建预测模型。实验表明所提模型能得到较其他方法更好的效果。