近年来,随着流媒体技术的高速发展,大型开放式网络课程被越来越多的人们关注。相比于传统的线下授课模式,慕课（Massive Open Online Course,MOOC）具有更高的开放性,用户可以根据自身兴趣爱好选择课程进行学习。然而,由于高度的自主选择性和缺乏师生之间的实时互动交流等原因,导致MOOC具有极高的辍学率。较高的MOOC辍学率引起用户规模和平台收益的缩减,从而成为制约MOOC平台发展的瓶颈之一。通过对学生的学习行为日志记录进行分析研究,提前寻找出可能辍学的学生,对其采取人工干预手段,有助于提高学生的学习兴趣和课程参与度,降低平台辍学率,从而增加MOOC平台的收益。本文基于MOOC学习者的历史行为数据,提出两种MOOC辍学预测模型,主要研究内容如下:（1）利用学生的学习活动记录构建以周为单位的数据特征,使用KmeansSMOTE算法在安全区域进行数据过采样,能够有效的避免产生噪声数据,从而缓解辍学数据样本存在的不均衡问题。此外,为了使模型能够捕获学生课程学习时的专注度和积极性,本文创新性地构建会话次数和累积会话时间两个特征字段。实验结果表明,新构建的字段能够增强模型的预测能力。（2）将MOOC辍学预测转化为机器学习的时间序列预测问题,基于注意力机制和双向长短时记忆网络（Bi-directional Long-Short Term Memory,Bi-LSTM）,提出一种Att-BiLSTM辍学预测模型。通过引入注意力机制,增强Bi-LSTM模型在众多输入特征数据中的信息捕获能力,着重关注对MOOC辍学结果有重要影响的特性信息。在KDDCup2015真实数据集上的实验结果表明,与LSTM辍学预测模型比较,AttBi-LSTM在准确率上提升了0.5%。（3）现有的主流MOOC辍学预测模型,大多为个体辍学预测模型。针对此类模型存在预测精度低和稳定性差的问题,提出一种基于Stacking多模型叠加的辍学预测模型。首先,分析学生的日志活动记录,设计以周为单位的数据特征。然后,构建两层集成学习模型,第一层使用5折交叉验证分别训练3个不同个体辍学预测模型,第二层使用逻辑回归算法（Logistics Regression,LR）并结合第一层的预测结果,进行最终辍学预测。在KDDCup2015真实数据集上进行实验,结果表明Stacking多模型叠加辍学预测模型比个体辍学预测模型有更好的效果。本文研究表明基于Stacking多模型叠加集成学习的辍学预测模型,可以降低模型过拟合的风险,有效增强辍学预测模型的稳定性。