伴随着互联网行业的迅速崛起,当下社会正在实现从信息时代到大数据时代的转变。作为集成大量学生校园行为数据的校园一卡通系统,在高校信息化的发展中已经得到了广泛应用,给学生带来了极大便利,也积累了海量的学生校园行为流水数据。学生学习成绩作为衡量学校教学质量的一个重要指标,对于学生的成长发展和教师检验教学成果均十分重要。挖掘隐藏在校园一卡通数据背后的信息,分析学生行为与成绩之间存在的潜在规律,成为高校和研究者越来越重视的研究内容。因此,本文基于学生校园一卡通数据,收集学生的基本属性、消费习惯、图书借阅等日常生活行为数据,筛选出用于实验的属性特征,分析学生学业状况,辅助高校教学管理者进行科学的管理与决策。本文所做的主要工作分为以下两个方面:（1）构建学生用户画像及成绩预测。提出稀疏性时空特征处理法,针对学生的校园行为数据中突出的时间和地点的数据特点,进行时间和空间特征处理,细化时间规律和消费规律,并引入数据稀疏性操作,加入早餐和洗浴活跃度以及消费规律概念构建数据集。从加权欧式距离角度以及内外距比值优化PCA-K-means算法的k值选择两方面进行改进,提出了基于Distance PCA-K-means的时空特征聚类方法（Sparsespatial-temporal clustering based on Distance PCA-K-means,STBDK）,将学生在校行为聚类为四种类型,分析得出四类不同学生的群体特性。接着对测试集中学生数据进行成绩预测,并与未经改进的PCA-K-means算法和Euclidean-K-means算法进行对比分析。实验结果表明,STBDK算法结果与其他两种模型结果相比准确率更高,验证算法的科学合理性。（2）学生在校行为分析及奖学金预测。学生奖学金预测问题在本研究中被抽象为二分类问题。主要从学生校园生活规律方面结合学生用户画像结果进行特征提取构建实验数据集。在基于随机森林优化特征选择基础上,利用Gini指数对特征进行重要度分析后输入逻辑回归模型进行分析,提出了基于随机森林特征重要性选择的逻辑回归奖学金预测算法（Evaluating the importance of and prediction Student Performance based on Random Forest and Logistic Regression,EIPRF-LR）,对学生校园内日常生活行为习惯和获得奖学金之间的关系进行分析。与基础逻辑回归算法相比,EIPRF-LR模型准确率有一定提高。