在线教育可以让人人享受到平等的教育,学习者可以自由选择自己想要的课程。但这也带来了弊端,比如由于知识碎片化引发的知识过载与学习迷航问题,以及资源推荐中学习者与资源间的语义鸿沟的问题。本文提出一种基于学习者学习行为序列的学习习惯挖掘方法,利用学习习惯可以在其偏好的学习时间提醒学习者进行学习,并且可以通过对于学习序列的分析,为学习者提供学习路径规划以及学习内容推荐等,以求减少在线教育中的辍学率,或者在学习者放弃课程之前尽可能的学到课程中更多的内容。同时本文将具有更强约束条件的线下学习内容融入到学习路径的规划中,让学习者的学习效果进一步的提高。本文就如何解决学习迷航以及填补教育资源与学习者之间的语义鸿沟的课题中的两个子问题展开研究,即挖掘学习者学习习惯以及为学习者规划学习路径两个问题。学习习惯挖掘子问题主要是如何对学习者的学习习惯进行建模,并通过对真实数据的处理和分析,挖掘出学习者的学习习惯。利用得到的学习习惯对学习者进行群组划分,通过对真实数据集的实验,验证了利用Kmeans思想解决学习习惯群组划分问题的有效性。并通过LSTM算法预测学习者对于习题的作答结果,验证了将学习行为序列抽象成时间序列进行习题作答预测的可行性。学习路径规划子问题主要是如何利用学习习惯挖掘的结果,对学习者的学习内容进行建模,并为学习者规划个性化的、准确的学习路径,使得学习者能够更高效的进行学习。对于学习者学习习惯挖掘子问题,本文将学习者的学习习惯抽象成线性空间中的子空间,通过对真实在线教育数据集Xuetang XDataset的处理来获得学习者的学习习惯。然后利用学习者的学习习惯为学习者划分学习群组,本文提出了一种基于Kmeans思想的群组划分算法,该方法可以对具有相同学习习惯类别的学习者进行有效的学习习惯群组划分。除此之外,还将利用学习习惯来训练习题作答预测模型。本文将学习者的学习行为抽象成时间序列,利用LSTM算法分别对每位学习者和每道习题进行建模。对于学习者学习路径规划子问题,本文将知识点和课程统称为学习对象,并提出学习路径本质上是一个知识点序列。结合习题作答预测的结果为知识点和课程进行了建模,基于建立的模型提出了一种基于知识图谱的带有复习策略的学习路径规划算法,该算法分为课程内和课程间两个部分,规划的学习对象分别是知识点和课程,并在其中加入了线上线下教育资源融合相关的内容。最后利用拓扑排序为学习者展示完整的个性化学习路径。