随着互联网技术的“爆发式”发展和教育的民主化和普及化,出现了“互联网+教育”的产物,大型开放在线课程MOOC(massive open online courses)。相对于全球高等教育在校生的课程规模,MOOC庞大的学习群体产生了海量的学习行为数据,利用MOOC平台的数据资源优势,可以通过相关统计分析方法对学习数据进行描述、统计、评估及深度分析,这有助于了解MOOC学习者的学习行为,为MOOC平台优化和教学质量改进提供参考。本文的主要研究内容是MOOC平台学习者行为的分类,选取的样本数据是Canvas Network平台提供的一份学习者学习行为的开放数据集,通过两个实验对该样本进行分析研究。在分类分析实验中,本文通过机器学习相关算法对学习者学习行为数据进行分类,比较梯度提升决策树(GBDT)、朴素贝叶斯、神经网络和支持向量机分类的准确性。评估结果表明,GBDT算法对学习者类型具有较高的分类准确率。在聚类分析实验中,基于SPSS21.0平台,对学习者的学习行为进行了两步聚类分析。实验结果显示,最优聚类数为3类,各类样本数分布合理,特征明显。结合两个实验结论,对分类后的学习者类型进行了特征描述,这对学习者学习行为的研究具有实际参考价值。