随着互联网技术的发展,高校信息化建设不断深化,智慧校园、校园一卡通服务平台等系统信息化建设的水平不断提高。在校园信息化建设过程中,学校积累了大量的与学生相关的数据,如何对这些数据进行分析,挖掘学生的行为特征,进而为学校及学生事务管理提供辅助决策,是当前校园管理过程中较为关注的问题。尤其是随着校园信息化的进一步深入,校园大数据将持续动态快速增长,如何快速地对日益增长的数据进行挖掘和分析是当前智慧校园将面临的下一个挑战。针对该问题,本论文分析了广泛用于数据挖掘的频繁项集算法,以智慧校园中的学生签到数据为例,研究了并行策略与H-mine大数据挖掘算法的集成方法,实现了基于学生签到数据的学生行为分析。论文首先研究比较了多种经典的频繁项集算法,分析了各种频繁项集算法的使用场景及优缺点,研究了串行H-mine算法处理稀疏数据的过程。针对Spark现有并行频繁项集算法挖掘稀疏大数据效率较低的挖掘问题,提出了一种负载均衡的并行H-mine算法,该算法基于串行H-mine算法和Spark平台实现,并通过理论分析,在计算频繁项集的过程中,尽可能使每个分区的计算量相同,实现了负载均衡,满足了基于动态的、批处理的校园签到数据的学生行为挖掘分析。最后以某高校2016至2017学年的学生签到数据为基础,通过对学生签到数据预处理,统计得到多种学生行为数据,使用kmeans++聚类算法和自定义方法离散化学生行为指标,采用并行H-mine算法,挖掘学生行为频繁项集,并使用频繁项集对学生行为进行关联分析,在关联分析的基础上,借助相关性分析方法,分析了行为之间的相关性,为客观全面的分析学生行为提供依据。实验表明,本文提出的并行H-mine算法在计算量上实现了负载均衡,并且将并行H-mine算法应用在动态的、批处理的校园学生数据处理上是可行且有效的。将并行大数据技术应用在日益增长的校园大数据上,不仅可以快速分析学生的行为特点,进而为高校及学生管理提供辅助决策,而且可以根据学生的行为规律采取相应的措施来适应教学模式,实现个性化、高质量的教学。