目前,随着高校在校学生数量的不断增长,高校教务管理系统中拥有大量的学生成绩的数据。但是对这些数据的利用仅仅停留在简单的查询及统计工作,并没有进行全面的挖掘,其中包括学生的在校成绩、大学英语四级考试成绩,这些具有潜在有价值的信息没有得到充分的利用。数据挖掘是指从大量的、不完善的数据中挖掘出未知的、具有潜在信息的过程。本文使用数据挖掘技术深入了解影响学生英语成绩的因素和及时掌握学生的学业状况,对提高教学质量和人才培养有着重要的意义。本文研究了K-近邻分类算法,分析了近邻距离对分类的影响,引入高斯权重函数,根据距离的不同,给予邻近不同的投票权重,建立了加权K-近邻分类算法。针对当数据集较大时K-近邻算法分类效率偏低这一问题,本文进一步改进了算法,建立了分区加权K-近邻算法。将K-近邻算法和分区加权K-近邻算法应用于大学英语四级考试结果分类预测中,利用统计方法研究影响大学英语四级考试结果的相关因素,筛选出分类预测时的输入特征和邻近数,通过对比验证,虽然分区加权K-邻近算法分类效果没有明显提高,但是其分类稳定性要优于K-近邻算法,并且其分类效率得到很大的提高,分类时间由原来的11.39秒减少到5.22秒,分类效率提高了118%。为了更早地发现具有潜在不能正常毕业风险的学生,并及时对其进行警示和督学,本文建立了决策树分类模型,通过验证,以考试成绩或以补考数和重学数为输入特征,该分类模型都能够及时有效地预测出不能正常毕业的学生。该论文有图31幅,表12个,参考文献52篇。