随着在线学习平台的普及和学习者的广泛,国内外有关的研究也越来越丰富。但在预测方面大多只局限于行为数据的研究;预测分析存在指标单一化和同质化的缺点;预测算法选取缺乏针对性,缺乏对时序性明显和对不平衡比高数据的考虑,形成模型过于复杂。针对上述不足,本文从研究对象维度、学习成效的指标选择和算法选取方向,分别基于ed X和学堂在线平台的数据进行了以下的研究:（1）在研究对象和学习成效的分析指标选择方面,本文以学习者数据为研究对象,综合考虑一般属性和在线行为属性,并多角度界定学习成效丰富预测指标的选取。本文针对ed X平台数据通过属性约简和研究属性间的关系发现,由学习者一般属性（Lo E＿DI）和多个在线行为属性预测ed X平台数据学习成效中的certified得到了很好的结果;由于ed X平台数据属性丰富,将其学习成效划分为是否获得证书（certified）、成绩绩点（grade）和学习持续时间（total＿time）这三个评价指标;针对学堂在线平台数据将学习成效界定为是否在最后一周出现退课行为。（2）本文基于学习成效的预测指标特征考虑,分别为其选取恰当的预测算法。实验表明基于ed X平台数据学习成效指标中的certified使用支持向量机算法进行二分类预测得到了很好的效果,而其他两个指标属于多分类问题更适合使用机器学习算法的融合去预测。（3）为兼顾数据的局部性和时序特点,本文提出了基于卷积自编码器-长短期记忆神经网络-决策树的WCADT算法和基于卷积神经网路-长短期记忆神经网络-随机森林算法的WCLSRT两种串行算法。分别利用卷积自编码器和卷积神经网络完成在线学习者行为在局部特征上地自动提取,并保留住时序性特征,然后再利用长短期记忆神经网络组合时序性特点,最后利用机器学习算法进行预测。基于时序特点明显且不平衡比高的学堂在线平台数据进行实验,选择AUC为评价指标,并在现有模型的基础上得到了提升。研究表明通过对数据维度、学习成效的分析指标选择和算法选取方向地完善可以更加充分地研究数据背后的价值,通过预测及时对学习者行为进行调整,提升学习效率,促进在线学习模式更好更快发展。