随着互联网技术的迅速发展,在互联网环境下为用户提供优质的个性化服务成为了研究的热点。个性化在线教育以领域学科知识为核心,以计算机等信息技术为支撑,以网络为传播途径,是集教育学、计算机科学、心理学和行为认知学等为一体的旨在实现教学界最高的目标--“因材施教”的应用系统。对现有的在线教育资源做了研究显示:针对不同学习者的学习基础、学习能力、学习特征、兴趣和爱好等个性化特征提供有针对性的教学策略的研究还很薄弱。本文围绕在线教育的学生模型构建与分析,完成的主要工作包括:1、深入研究和分析了各种传统学生模型的优缺点,改进了面向在线学习学生模型。把原有的覆盖模型和偏差模型糅合为知识模型;新增特征模型其中包括社会特征、媒体特征和性格特征三个子特征模型;对认知模型和情绪模型进行了新的阐释。在此基础上,总结提出了学生模型的全流程工作过程,给出了学习者特征数据库,为分析学习者学习特征提供数据。2、详细研究和分析了现有的数据挖掘聚类算法,为分析学习者学习特征提供相关技术支持。针对Kmeans的缺点提出了基于mean shift理论的新算法—MKmeans。采用国际通用的UCI测试数据库(加州大学欧文分校(University of CaliforniaIrvine)用于机器学习和数据挖掘的数据库)中的Iris数据集和Wine数据集来验证新算法的质量。Iris和Wine数据集最后得到的总F-measure值都在93%之上,其中Iris数据集的F-measure值比原有的Kmeans算法提升了8个百分点左右,Wine数据集的F-measure值比原有的Kmeans算法提升了20个百分点左右。3、将MKmeans算法应用到本文提出的学生模型中的认知模型和知识模型,用来分析学习者的认知能力分组和发现学习者对知识的掌握程度,进而为不同能力等级和掌握程度的学习者提供适应性的学习资料和学习指导。本文以提出的学生模型为指导,通过针对经典数据集的测试,与其他现有的算法相比,改进算法的质量有了较好的提升。该算法可较为准确的完成学生的个性化分类和分组,有利于把同一类型的学生进行准确的划分和定位,为学生提高在线学习效率提供了新的途径和工具。综上,本文提出的学生模型和MKmeans算法在个性化在线教育中具有一定的意义和潜在的应用价值。