近年来,随着互联网技术的快速发展以及社会需求的不断提高,使得网络在线教育成为越来越普及的教育模式。在这种教育模式下教师上传学习资料,学生根据自身实际情况合理的安排学习时间、自主的选择学习环境与学习内容,有效的解决了传统课堂时空限制的问题。但也存在一些不足之处,如教师不能及时的观察到学生的学习状态以及评估学习表现,学生不具备客观评价自己学习状态的能力,缺乏自主学习的激励机制。因此对在线学习过程中学生的各种学习行为进行动态监测分析,及时客观的反映学生的学习状态,具有重要的现实意义。本文依托西安电子科技大学网络与继续教育学院的在线学习平台,以学生注册用户为研究对象,对在线学习行为进行分析研究。本文以在线学习平台的数据库服务器和Web日志服务器作为数据源,构建四层网络的在线学习行为数据模型,利用统计学理论对行为特征数据进行统计分析,同时利用SPSS20.0将行为特征与学习成绩进行相关性分析。通过K-Means算法对在线学习行为进行聚类分析,划分学习状态,实现在线学习行为短期监测评估效果。构建基于BP神经网络的成绩预测模型,实现对在线学习行为的长期监测效果。利用数据可视化技术将在线学习行为分析结果进行反馈。针对K-Means算法在学习状态划分中的应用,本文考虑到学习行为特征种类较多以及学习状态划分类别不明确等因素。利用手肘法确定最佳聚类中心个数,进而确定学习状态划分类别。同时针对K-Means算法对初始聚类中心敏感的问题,本文采用相对最远的策略对初始聚类中心进行选取。通过实验分析显示,改进后的算法在运算效率上有明显提升。利用上文分析处理后的在线学习行为数据建立基于BP神经网络的成绩预测模型。为提高成绩预测模型的预测精度与泛化能力,本文引入Adaboost算法,将BP神经网络作为弱学习器构建训练模型,优化成绩预测模型。同时建立对比实验,对比优化前后模型的均方误差以及预测结果状态图,结果显示基于Adaboost-BP神经网络构建的成绩预测模型输出值相对更加接近期望值。最后利用在线学习行为状态划分聚类模型与成绩预测模型,并结合数据可视化技术,构建在线学习行为监测系统。将在线学习行为监测结果按照学习行为分析模块与成绩预测模块分别进行可视化呈现。