科学技术的发展,推动了校园信息化的进程,带来了海量的在校生记录数据。借助数据挖掘技术,从海量数据中挖掘对教育管理者和学习者有用的信息,发现和解决教育研究和实践中的各种问题,具有重要意义。基于校园网利用学生学习行为数据进行学生学业状态和课程风险评估,对有学业风险的学生及时进行学业预警,成为大学教育中保障学习质量,降低辍学率的迫切需求。然而已有的学业分析及预警研究中,大多仅基于在线课程学习数据,缺少学生学习行为习惯对学业带来的影响分析,且未能充分利用多种行为语义,及语义间的相关性,使得对学业和课程风险预测存在局限性。针对上述问题,本文首先利用校园网上网日志数据进行了学生学习行为分析,提出了一种基于多语义特征时域卷积胶囊网络(Multi-Semantic Feature based Time Convolution Capsule Network,MSF-TCCN)的学业风险预测算法。模型针对数据分布特点及相关性分析设计了一种多语义层级特征输入,并利用矢量神经元结构捕捉学生行为在时间维度的相互影响。实验结果表明,本算法性能优于多种基线算法。其次,针对特定课程的风险预警问题,本文提出了一种多维时域特征的融合神经网络(Multi-Dimensional Time Feature based Fusion Neural Network,MDTF-FNN)算法,通过多维特征时间序列输入在线学习日志中的学习行为特征,与上网数据中的日常行为特征进行融合,实现对该课程的风险预测,并通过对比实验验证了算法的有效性。最后搭建了一个学习行为画像与学业预警系统,使用前后端分离设计,并运用Spring框架和Vue.js框架对本研究中的成果进行了展示。