基于编程过程数据预测课程成绩是编程教育领域的编程过程研究的两个主要研究方向之一,研究的目的在于协助教育者在课程早期确定存在挂科风险的学生,教育者可以为这些学生提供额外的教学帮助,从而降低课程挂科率并提升编程教学水平,编程过程特征抽取和特征选择是该研究的核心工作,研究者选择的编程过程特征的质量决定了课程成绩预测准确率的上限,在目前的研究中,研究者构建与课程成绩相关的编程过程特征时没有全面考虑编程过程信息,针对该问题,本文展开了如下工作:(1)归纳总结现有编程过程研究中使用到的编程过程数据,由此定义了 15种具有分析价值的编程过程数据,设计并实现了一个编程过程数据收集系统。(2)采用多种观察视角,基于启发式想法从编程过程数据中抽取28个与课程成绩可能存在关联的特征,基于数据观察和统计分析方法剔除其中3个与课程成绩无关的特征,基于25个与课程成绩有关的编程过程特征构建预测模型,与NPSM方法进行实验对比,实验结果表明基于这25个编程过程特征的课程成绩预测模型拥有更好的预测效果。(3)采用4种特征选择方法从(2)中获得的25个编程过程特征中剔除掉与课程成绩相关性低的特征,针对于SFFS特征选择方法存在只能对于单一训练数据集进行特征选择和需要提前确立目标特征数两个问题,设计改进方案,提出了基于多训练数据集的动态SFFS特征选择方法,基于多训练数据集的动态SFFS特征选择方法得到的12个编程过程特征在预测课程成绩问题上拥有最好的效果,并且基于这12个特征的预测模型相比于基于全部的25个特征的预测模型的预测准确率有显著提升。因此,本研究提出了 12个与课程成绩存在显著关联的编程过程特征。