随着校园信息化建设的持续推进,国内外高校逐步累积了海量的学生校园行为数据。如何通过这些数据分析学生的行为习惯,预测其成绩,为学校的教育者、管理者提供建议和指导,成为各个高校关注的热点。学生成绩预测目的是利用学生学习和生活中的历史行为数据来预测其将来的学业表现。学生成绩预测方法可以提前预知学生成绩,为因材施教和个性化教学提供基础。与此同时,学校提前知道可能出现不及格的学生,对这些学生提前干预,为他们提供帮助,帮助他们顺利通过考试,从而追求更好的未来。由此看来,学生成绩预测方法是否有效与准确对高校来说具有不可忽略的意义。根据心理学教育学理论,可以通过持续关注学生的行为习惯来判断其学习能力。网络作为大学校园生活的重要组成部分,网络教育资源丰富,是大家学习、交流的有利手段。随着校园网络认证系统的完善,学生的校园上网行为被以一种隐蔽的方式记录下来。本文从校园上网行为感知为出发点,通过收集学生产生的校园上网行为记录,并对其进行处理,挖掘学生的上网行为日志来预测他们的成绩。为此,本文收集构建了一个同时包含学生校园上网行为和成绩数据的真实数据集,对数据进行处理,通过大量的数据分析证明上网行为与学习成绩两者之间确实存在一定的关联性。在此基础上,本文提出了一个端到端的双层自注意力网络（Dual-level sElf-Attention Network,DEAN）,引入级联式的自注意力机制来分别提取学生每一天的局部上网行为特征和长时间的全局上网行为特征,更好地解决了长校园上网行为序列建模问题。通过在本文所提出的真实的数据集上进行广泛的对比实验、消融实验,实验验证了相比于传统的序列建模方法,所提的DEAN网络的有效性。此外,通过数据分析以及实验发现不同的学生之间存在特征差异,相同的上网行为对不同学生影响不同,因此本文对DEAN网络进行改进,对学生的上网行为进行编码,并对不同的行为赋予不同的权重,关注特征差异。同时引入多任务学习策略,在统一的框架下同时解决面向不同专业的学生成绩预测问题,根据学生的排名差,提出使用代价敏感损失函数为排名差不同的学生之间分配不同的损失函数,从而来进一步提升方法的性能。通过大量的实验验证了改进的DEAN网络具有更好的预测精度。