随着机器学习技术的发展,智能导师系统更能针对学生个性进行相应指导。而智能导师系统的核心是学生模型,但是目前学生模型基于项目反应理论的计算机自适应技术对学生知识进行概括,得到仅是单一的能力分数,这个分数无法精确应用在学生针对性学习中。认知诊断理论作为新一代的测验理论,和项目反应理论相比,可以精确诊断出学生对各个知识点的具体掌握情况,根据学生各个知识点的能力分数,可以对学生进行高效的个性化指导,促使学生德智体美劳全面发展。教育部和国家发改委提出了将人工智能、认知心理学及神经科学等学科相结合的教育方针,以完善我国人工智能领域学科布局、促进人工智能在教育领域的应用。未来,认知诊断研究将会成为人工智能和教育结合的一个重要研究方向。DINA模型因其诊断准确度高、可解释性强等优点被广泛应用在认知诊断当中。但是,DINA模型对被试的潜在知识状态只进行0-1分类,使得在多级评分资料中该模型的精度和准确性有所下降。为此,本文基于DINA和R-DINA模型,提出了适用于多级评分资料的T-DINA和M-DINA模型,并基于EM算法对两个模型的参数估计进行评估,本文的主要贡献为:1)基于教学环境中学生对知识的掌握程度普遍是部分掌握的情况,对DINA模型潜在知识状态划分进行优化,引入部分掌握的潜在知识状态,将DINA模型非全部掌握状态划分为部分掌握和0掌握,提出了T-DINA模型,对DINA模型只适用于0-1评分资料的缺点进行了改善;2)从数学层面上分析P-DINA模型的优缺点,结合T-DINA模型的设计思想,将潜在知识状态个数按考查属性个数进行划分,构建出新的K+1类M-DINA模型。和P-DINA模型相比,M-DINA模型消去了不同潜在知识状态之间的制约关系,可以提高模型参数估计的精确性,进而提升模型的诊断性能;3)基于EM算法实现了T-DINA、M-DINA模型的参数估计程序,使用该程序估计出参数的ABSE和RMSE均在2.5%以内,说明模型的参数估计程序精度高;4)通过对比实验证明提出的模型比DINA模型具有更好的诊断性能。独立属性关系下,三种模型平均的MMR相差在1%以内,T-DINA和M-DINA模型的PMR相差在1%以内,比DINA模型的PMR提高4.6%;层级关系属性下,三种模型的MMR相差在1.5%以内,M-DINA、T-DINA模型的PMR分别比DINA模型提高6.6%、3.2%。结果表明无论是在独立属性关系还是结构型属性层级关系下,M-DINA模型的诊断性能均是最好的,其次是T-DINA模型,最差的是DINA模型。