学生成绩预测是教育数据挖掘的重要研究方向。随着院校扩招,在校学生人数不断增长,导致院校教学资源日益紧缺,学生成绩分析与预测研究也受到越来越多的关注。学生成绩预测旨在通过与学生相关的各类数据信息,如学生的校园数据信息来预测学生未来的学业成绩表现。通过构建成绩预测模型可以为教师差异化教学和指导学生课程学习提供有效帮助,也可以避免部分学生出现留级、成绩不合格甚至退学等现象。此前,许多学者对学生成绩预测任务进行了很多研究工作并取得了一些成果。但是,现有的学生成绩研究工作依旧存在一些问题和不足,主要有以下三方面的问题:当前研究大多都是基于传统机器学习算法并且是仅利用单个机器学习算法的成绩预测模型,存在预测准确率较低且泛化能力不强等问题;当前研究较少涉及深度学习相关算法,导致不能全面地利用和学习各个属性信息的高阶特征,导致预测效果不佳;当前研究都假设学生校园数据中各个影响因素对学生成绩表现的影响程度相同,而实际上不同影响因素的影响程度是不同的,并且当前研究还忽略了历史成绩与期末成绩的重要关联关系。针对上述存在的问题,本文面向传统校园课堂教育,利用学生校园数据来预测学生期末成绩表现,构建的成绩预测模型主要提高了模型的预测准确性和可解释性。本文主要研究内容如下:（1）学生成绩分析和数据预处理。首先将期末成绩与属性特征进行散点图绘制,以分析期末成绩表现与各个属性特征的关联关系。对学生校园数据各个属性特征进行数据预处理,其中包括对学生成绩分组来划分成绩等级、对各个属性特征值进行数值归一化、删除异常样本数据、对属性特征值进行编码转换。（2）构建基于Stacking融合的学生期末成绩预测模型。首先利用随机森林算法、GBDT算法、XGBoost算法分别建立单模型对成绩进行预测。为进一步提升模型预测效果,本文基于Stacking融合机制将多个传统机器学习算法进行融合,使用两层Stacking框架,其中基学习器采用随机森林、GBDT和XGBoost,次学习器则采用逻辑回归算法。与三个单模型的成绩预测效果对比,Stacking融合模型各个分类模型指标提升10%以上。（3）构建基于多路注意力机制所提出的SAAA-Attention期末成绩预测模型。此预测模型共有三路注意力机制,其中一路为自注意力机制（Self-Attention）,将各个属性特征值赋予不同的注意力权重,体现出各个属性特征对期末成绩表现的不同影响程度。其余两路为针对历史成绩的注意力机制（Attention）,分别通过注意力机制计算非成绩属性特征在第一阶段历史成绩上的注意力权重以及各个非成绩属性特征在第二阶段历史成绩上的注意力权重,有效利用了历史成绩与期末成绩的关联关系。最后将三路注意力机制得到的三个特征向量进行特征融合,并将其输入到BP神经网络对学生期末成绩类别进行预测。通过与三个单模型以及Stacking融合模型预测效果对比,SAAA-Attention模型在各个分类模型指标提升8%以上。（4）根据构建的SAAA-Attention预测模型,利用Java、Python语言以及前后端开发框架和深度学习框架开发实现了学生期末成绩预测系统。系统可以利用学生校园数据信息来准确预测学生期末成绩表现,且可以利用词云图可视化学生的校园数据信息。