随着互联网时代向人工智能时代的过渡,现代化的教育也越发趋于智能化,人工智能+教育的方式成为未来教育的发展趋势。大数据环境下的人工智能教育具有个性化、精准化以及全面化等特点,在减轻教师教学负担的同时,极大地提高了学生的学习收益,促进了教育技术的变革。知识追踪作为一种对学习者知识水平进行建模的方法,在智能教学系统中起着关键作用,对其研究是促进教育发展的重要手段之一,具有重要的研究意义和社会价值。现有的基于知识追踪的学习者建模方法仍存在许多不足,主要体现在:个性化能力不足、模型结构简单,未考虑学习者的差异以及知识点结构之间的关系,最终导致模型预测性能有限和可解释性较差等问题。本文为了提升学习者模型的性能,考虑了不同的因素,从传统的概率图模型到深度学习的模型,在多个方面对其进行了改进。主要有如下三方面的工作:（1）针对传统贝叶斯知识追踪模型个性化能力不足和预测精度有限等问题,本文创新性地将演化聚类引入到了知识追踪模型中。模型将学习者在智能教学系统中的交互数据按照时间推移进行动态聚类,得到不同知识水平的学生群体,构造出一种包含多个知识追踪模型的集成学习模型,并且使用一种改进的算法进行预测。针对模型训练算法易陷入局部最优的问题,提出了一种优化策略。模型充分考虑了学习者的个体差异以及学习者知识水平变化的时间平滑特性,能有效缓解异常数据的干扰,具有更好的可解释性,能有效地服务于学习者和教学系统。（2）针对传统贝叶斯知识追踪模型结构简单,难以利用更多的特征进行建模的问题,设计了一种基于问题综合难度与输入输出隐马尔可夫模型的知识追踪模型,从结构上对模型进行了改进。使得建模时不再只利用考生的答题正误情况,而是根据实际的问题难度来构建不同的模型参数。并且设计了一种结合响应时间的问题综合难度计算方法。实验结果表明,该模型在预测表现上优于传统模型,并且具有较好的可扩展性。（3）针对基于深度学习的知识追踪模型预测准确度有限,波动性较大以及数据稀疏性等问题,从知识点的结构方面改进了深度知识追踪模型。考虑到不同的知识点之间有复杂的内部联系,首先构造出知识点之间的层级结构关系和对等关系,存在联系的知识点之间必然会有相似的掌握程度,然后将其作为约束条件加入模型的损失函数中。实验表明改进的方法能进一步提升深度知识追踪模型的预测精度,能构建出更好的知识结构关系。