伴随着科技时代的飞速发展,我国教育的现代化和信息化水平越来越高。现代化教学改革不仅带来了教学方式和方法的改进,也同时提供了大量的教育教学数据。为探究影响学生成绩的因素,更好地为学生学习、教师教育和教育管理提供有用信息,本文探索的是基于机器学习算法对学生成绩的预测与研究。运用机器学习算法对影响学生成绩的各种信息进行分析,并利用深度神经网络实现对学生成绩的准确预测。本文研究了基于因子分析法、分类决策树算法（CART,Classification And Regression Tree）、多层感知机算法三种机器学习方法的学生成绩预测和影响因素分析方法。首先采用因子分析算法来研究各因素之间的相互关系,通过主因子分析法来提取出主要因子,并创建原始数据载荷矩阵,最后利用最大协方差正交旋转,可以得到,旋转载荷矩阵。通过分析载荷矩阵来筛选出与各项成绩相关的因素,在此基础上提取综合表达数据的公因子属性,可初步达到预测学生影响因素的目的。其次采用CART决策树作为各项成绩的预测模型,分别讨论分类与回归两种预测情况,将提取到的公因子作为输入生成决策树,从而降低生成树的复杂程度,同时有效提高决策树的预测准确率。最终通过使用神经网络综合多种因素来实现学生学业成绩的综合预测。本文在上述研究基础上还探究了间接因素（成绩）缺失情况下的预测方法,通过随机掩码建立候选树的方式,在候选树之间作出预测。在前述的研究基础之上,构建基于多层感知机算法的神经网络模型,将直接因素与间接因素分别采用不同模块进行嵌入提取特征。同时本文沿用决策树中所采用的类似方法,对间接因素采用随机掩码方式进行嵌入,将两种因素的特征通过多层感知机网络学习融合,可以使得训练出来的多层感知机（MLP,Multi-Layer Perceptron）模型自适应的提取出不同的学生综合评价指标,从而能更好的对学生学业水平情况进行预测。本文通过选取两组不同的数据对所提出的算法进行了实验分析与验证,此两组数据在样本数量与样本属性上具有不同的规模,能够更好衡量模型的泛化能力和鲁棒性,使得模型可以达到更好的预测效果。