近年来大学生就业渠道愈加丰富,类别愈加繁多,但招聘过程仍旧没有发生本质变化,招聘成本高昂。而且高校培养和招聘需求之间存在脱节,招聘一个合格的岗位候选人,需要大量笔试和面试,导致招聘效率低下,并且招聘全程受人为主观因素影响。如何找到一种高效客观的解决方法是十分有意义的。随着校园数字化的普及,数字化校园信息系统不断积累学生各方面的在校信息,且内容形式日趋多样化,其中隐藏着许多有价值的信息和规律。深度挖掘企业岗位和受聘学生的综合素质之间的内在联系,并在此基础上构建基于学生画像和岗位需求信息的人岗匹配分析机制是非常有必要的。论文的主要贡献包括:(1)针对人岗匹配分析的需求特点,给出了学生画像模型的总体设计,包括学生画像中多维度标签的定义和量化方法。并在此基础上,提出了学生在校行为数据的收集和预处理方案。(2)针对学生画像中主观标签的评估需求,提出了评级标签的生成方法。利用改进的基于模拟退火遗传优化的模糊聚类算法(SAGA-FCM)对样本数据进行聚类从而得到评级标签的初始分类。(3)基于SAGA-FCM的聚类结果,为了实现对新样本的评估,利用改进的基于遗传优化的广义回归神经网络算法(GA-GRNN)来实现新样本评级标签的预测。(4)设计并实现用于人岗匹配分析的联合嵌入卷积神经网络(JE-CNN),通过对学生画像和岗位需求信息的文本嵌入表征,将两者转化为公共空间中的表征向量,从而利用量化分析的方法来分析学生和岗位的匹配程度。(5)分别对SAGA-FCM、GA-GRNN和JE-CNN进行了实验验证和结果分析。实验结果表明,本文提出的解决方案是有效的,能够对校园招聘、学生自我评价和高校人才培养给出有意义的指导和影响。