大规模在线开放课程（MOOC,慕课）这一概念自2008年被提出,2012年开始在世界范围内兴起。慕课的诞生旨在为每一位学习者提供平等且高质量的学习资源,特别是在新冠疫情的大背景之下,慕课更是凭借其先天的优势成为了世界各国大力推广的教育方式。但是慕课由于缺乏强约束性,其高退课率以及低通过率也广为学界所关注。越来越多的研究者开始着手研究如何提升慕课的留存率以及通过率,其中,针对慕课平台学习者群体中那些存在无法完成课程风险的风险学习者进行识别是其中的一个可行方案。同时,由于学习者在慕课平台学习的过程中会产生大量的学习行为数据,因此很多研究将机器学习技术应用于慕课风险学习者的预测工作中。慕课平台针对风险学习者施加个性化的援助,即可提高课程的留存率以及通过率。为了提升慕课平台的整体学习效果,对平台中存在的风险学习者能够精准的识别,本文通过机器学习技术搭建了风险学习者预测模型,为了提升模型的性能,本文进一步引入了模型融合技术,训练的融合模型在OULAD数据集上取得了最高0.98的AUC分数。本文的主要工作如下:本文基于OULAD开放大学学习分析数据集来开展研究,由于该数据集结构较为复杂,因此本文首先对数据集进行了详细的分析与梳理。在特征工程的工作中,本文希望探究特征时间属性对模型性能的影响,因此使用了两种不同的特征提取方式,最终得到了两个特征集,另外,本文还进一步使用XGBoost评估了特征的重要性,并完成了特征选择工作。针对特征工程得到的两个特征集,本文分别采用了集成学习中的Boosting算法（XGBoost、AdaBoost、GBDT）以及Bagging算法（Random Forest）训练单一模型,并进一步通过Voting以及Stacking的方法构建比单一模型性能更好的融合模型。在上述算法模型的基础上,本文进一步设计并实现了一个慕课风险学习者预测系统。本系统的整体架构为当下广为采用的前后端分离模式,后端使用Spring Boot框架搭建,前端则使用Vue框架搭建。此外,考虑到实际使用时系统中的数据量会越来越大,本系统在进行数据库设计时,对部分数据量较大的表进行了水平分片设计,以提升数据库整体性能。在功能方面,本系统包括了登录与注册、用户权限管理、学习者信息维护、风险学习者预测、风险学习者指导以及数据统计这六大模块。用户通过将学习者的学习数据上传至系统,即可预测学习者是否为风险学习者,预测过程将会调用实验中表现最佳的融合模型,预测结果将会直观的展示给用户,用户还可以选择导出历史预测结果。对于预测结果为有风险的学习者,本系统还提供一键发邮件的功能,用户可以针对这些风险学习者发送邮件,从而达到针对性指导的目的。