近年来,随着信息技术在教育领域的广泛应用,各种各样的智能教辅平台迅速发展并吸引了大量的用户,逐渐成为了学习者进行知识构建和协作学习的主流学习环境。与传统教育相比,智能教辅系统打破了时间和空间的限制,因此具有自主性、开放性的特点,提高了学生学习、教师教学的效率。但是由于智能教辅系统的实质还是以资源为主的知识灌输式的教学方式,面临着不能因材施教、灵活性差、对边缘学生关注不够等问题和挑战。因此,如何通过加深学生对自身知识结构的了解、提升学生的学习效率和学习积极性来促进学生的学业水平提升,是当前亟需解决的重要问题。基于不断积累的教育数据,通过教育数据挖掘技术对教学进行辅助已经变成了当前教育发展的必然趋势。来自教育领域和数据挖掘领域的学者们已经开展了诸多针对教育辅助技术的研究。然而,目前的教育辅助技术尚有研究和改进的空间。首先,在学生建模方面,已有的认知诊断模型不能对学生在每项技能的掌握情况给出概率化的估计,不能为学生提供更为详细的反馈信息和更有价值的改进依据。其次,以学生建模为基础的教育辅助技术的研宄也存在着巨大的挑战：一方面,针对学生协同学习分组的研究所用特征粒度较粗,分组算法的效率也有待提高；另一方面,针对学生成绩趋势预测的研究而言,目前学生表现预测问题的解决方案无法保证所用特征和所得模型的可解释性,极大限制了预测模型在教育辅导上的应用。因此,针对以上研究问题,本文对基于认知诊断的教育辅助技术进行了研究,主要研究内容如下：1.提出了一种概率化的学生认知诊断模型SoftDINA,通过对传统的认知诊断模型DINA进行改进,可以对学生的技能掌握程度进行概率化的分析。2.通过SoftDINA计算学生的技能掌握程度作为分组特征,引入教育学的认知诊断理论到协同学习分组问题中,提出一种协同学习分组框架。提出了异质性和收益最大化的目标并设计了新的协同学习自动分组算法。3.提出了一种基于认知诊断理论的学生成绩趋势预测框架。通过应用认知诊断理论、项目反应理论得到学生的综合能力和各技能掌握程度作为特征,利用数据挖掘领域多种分类模型对学生成绩趋势进行预测。