随着在线教育行业智能化和信息化的发展,学习预警技术成为近年来在线教育研究和应用的一个热点领域。本文针对学习预警领域中的两个热点问题分数预警和退课预警进行研究,其中分数预警存在预警颗粒度较大,退课预警存在预警精度不高等问题。本文设计基于机器学习的学习预警系统,可以根据用户的相关行为数据,通过数据挖掘的方法建立分数预警模型和退课预警模型,依照模型的预警效果,对学生和教师发送相关预警结果,有助于提升教学质量。本文主要研究工作有:（1）通过总结国内外的学习预警系统的发展过程和研究现状,对机器学习技术在该领域的实现和应用进行了介绍,总结、概括了基于机器学习的学习预警模型的相关论文,提出了针对分数预警和退课预警场景的学习预警系统的设计需求。（2）针对学习预警中的分数预警任务,本文基于某大学在线学习平台和《软件工程》课程的线下课堂相结合的混合学习环境中的数据,通过构建关于知识点和题型的细粒度特征,设计了基于神经网络模型的“知识点特征网络+其他特征网络”和“题型特征网络+其他特征网络”分别处理两类特征,在一定程度上解决了分数预警问题中预警颗粒度较大的问题。（3）针对学习预警中的退课预警任务,本文基于某大学教学网的学生选课及学习数据,将该选课场景抽象为退课分类问题,利用集成学习对数值类型分类问题的良好效果,设计了基于XGBoost和Light GBM方法的模型融合策略,在一定程度上解决了退课预警问题中精度不高的问题。（4）设计了针对分数预警和退课预警场景下的学习预警系统,并应用于实际课程中。通过分析学习预警系统的功能性和非功能性需求,使用详细的图表描述系统的总体设计和详细设计流程,完成了分数预警和退课预警模块的实现工作。完成学习预警系统后,对系统进行测试,测试结果表明,系统的各项功能正常。在分数预警任务中,模型准确率达85.81%,均方误差达89.78,皮尔逊相关系数达0.89,优于所对比的同类型模型。在退课预警的任务中,准确率达82.57%,精确率达74.23%,召回率达62.31%,同样优于所对比的同类型模型,验证了分数预警模型和退课预警模型在各自任务上具有良好的性能。通过上述研究工作,基于机器学习的学习预警系统得以实现。