随着教育事业和数字技术的蓬勃发展,高校内大量数据开始以电子形式进行存储。为了有效利用这些数据,辅助教学工作的展开,越来越多的高校开始研究教育数据挖掘。教育数据挖掘是从大量有噪声、不完整的校园数据中提取有价值的信息,如贫困生与普通学生的差异性,学生成绩与学生行为的相关性,学生的选课趋势,教师教学风格对教学质量的影响等。因此,教育数据挖掘是当前教育领域的研究重点。教育数据挖掘领域有许多研究方向,学生成绩预测和知识追踪是其中的热门研究内容。学生成绩预测是评估学生能力和教师教学质量的重要因素,现有的学生成绩预测研究中,大多忽略了学生历史成绩之间隐含的关联性以及学生个体之间的差异性。知识追踪通过学生历史学习记录来追踪学生知识水平,并预测学生在未来的表现,现有研究中深度知识追踪模型表现优异,但深度知识追踪通过学生答题结果建模学生知识水平变化,忽略了学生学习以及遗忘行为特征对学生知识水平变化和答题结果的影响。针对以上问题,本文提出新的学生成绩预测模型以及知识追踪模型,具体研究内容如下:（1）本文提出一种结合协同过滤和注意力机制的学生成绩预测模型（Collaborative filtering with Attention,CFA）。针对忽略历史成绩关联性的问题,CFA模型借助协同过滤算法的思想,构建历史成绩相似度矩阵,计算学生在目标课程上的先验成绩,挖掘学生历史成绩之间隐含的关联关系。针对忽略学生个体差异的问题,模型中使用注意力机制计算学生加权属性,将注意力集中在对当前学生成绩影响更大的属性上,让模型能够区分学生个体差异。最后使用多层感知机建立回归模型,减少了人工特征工程,有效提高了成绩预测的准确度。（2）本文提出一种结合修正机制和行为特征的深度知识追踪模型（Deep Knowledge Tracing with correction mechanism and behavioral characteristics,DKTCorrecting）。针对忽略学生行为特征的问题,本文考虑到学习以及遗忘行为对学生知识水平变化和答题结果的影响,构建学习行为特征以及遗忘行为特征,并训练自编码器将其融入输入信息当中。同时,本文提出修正机制,通过评估预测结果的正确性,修正学生知识状态,使知识追踪过程更为稳定。最后,使用循环门单元神经网络替换传统深度知识追踪中使用的循环神经网络,缓解梯度消失问题,对学生学习过程进行建模,使模型能够更好的预测学生未来答题表现。（3）本文在Student Performance的数学和葡萄牙语成绩数据集上对CFA模型进行多组对比实验和消融实验,实验结果表明CFA具有更好的成绩预测准确性。本文在Assist2009、KDDCup2010和Synthetic数据集上对DKT-Correcting模型进行多组对比实验和消融实验,实验结果表明DKT-Correcting具有更好的知识追踪效果。