随着教育普及性提升,大学生人数日益增加,具有心理问题的学生也越来越多,能否及时发现心理异常学生是目前高校面临的主要问题之一。高校教育大数据对分析和识别心理异常学生发挥着至关重要的作用。本文以学校一卡通、教务系统、门禁系统及相关业务系统收集的教育数据为基础,通过对海量杂乱的学生在校数据进行数据清洗、变换等处理后,提取学生行为特征。并通过假设检验分析正常学生与心理异常学生的在校行为特征差异,最终建立识别心理异常学生模型并评估结果。具体研究内容及创新点如下:（1）通过收集学生的在校数据,对其进行数据清洗、集成和数据变换等预处理,并对学生在校的社交关系、生活规律性、勤奋度、学业成绩和经济状况等特征进行提取。最终对比分析心理异常学生与正常学生的在校行为特征,找出两类学生在校表现的异同。（2）提出一种基于关联规则的自适应阈值算法用于挖掘学生在校社交关系。通过对多地点的学生一卡通数据共同出现原则,根据学生刷卡数据样本大小和共现的次数,采用自适应方法确定阈值。并使用部分学生的真实社交网络验证阈值,最终保证学生在校社交关系的准确性。（3）在提取行为特征的基础上,通过对极不均衡数据样本的处理,建立识别心理异常学生的模型。实验结果表明,使用优化后的逻辑回归模型分类心理正常与异常学生,其准确率和G-mean值分别为83.6%和82.8%。此外,通过实验发现,若要识别心理异常学生,至少需要一年的学生在校数据。综上所述,本文基于教育大数据提出一种挖掘学生在校社交关系的模型,并提取学生在校的行为特征,建立识别心理异常学生模型。实验证明此模型能有效识别心理异常学生,及时让学生管理者进行干预和处理。