在教育改革日益深化的今天,推动技术与高等教育的深度融合,促进了学校教育信息化过程,利用信息技术在时间和空间上的极大优势,学生学习方式得到改进,是顺应互联网时代高校创新人才培养的重要方式和客观要求。在线教育,学习者经过课前预习、课后学习和课上参加听讲课程等活动,从而获得知识与技能。在这一学习的过程当中,学习者如果有激情减退、抛弃课程等状况会以行为这样一种外化的方式来体现。本文对学生的行为进行了分析,并对其学业状况进行了预测,从而达到促进教育质量提高的目的。本论文的主要工作包括如下方面:在数据分析方面,分别就学习者的人口统计特征进行研究,学习行为等进行尝试性的分析,探讨不同成绩群体在以上指标上分布的差异性。发现学生的地区和之前受教育水平有较高的关联程度。基于学生基本信息和总体行为的特征维度,代入XGBOOST进行成绩预测,实验结果表明,学生行为特征和基本信心特征与成绩之间具有关联性,经过实验对比,该成绩预测模型能够达到比较准确地预测学生成绩的目的。通过第三章实验,学业水平预测各分类的准确性存在显著差异,特别地,学业通过类别与学业表现优秀类别之间的预测差异最为显着。经分析发现为样本分布不均所致。本文第四章通过Tome Link、采用SMOTE与综合采样技术进行数据处理,实验结果表明,综合采样技术对模型预测能力的增强效果最高。最后通过对学生特征维度与学业水平之间关联度进行分析,研究发现,学生的基本信息维度关联度总体较低,学生的行为维度关联度总体较高。通过第四章对特征维度关联度分析,论文的第五章,我们构造了时序行为数据,并将其代入到新的网络结构CNN-Bi LSTM-Attention中,并且通过第四章的综合采样技术对样本数据进行了均衡。CNN具有良好的特征提取能力,Bi LSTM可以更好地挖掘学生每周行为数据关联性,Attention进一步强调了在预测结果中占有较大比重的行为特征。通过实验比较,这种模型对学生行为时序数据具有良好的处理能力,并且在成绩预测方面有着较好的预测能力。