随着信息化技术与教育行业的持续深度融合,在线教育正快速进入大众视野,成为教育领域中冉冉升起的一颗新星。相对于传统的课堂学习,在线教育留存大量教育视频,使学习者学习打破了时空限制,视频学习不仅对学习者的学习效果具有较大提升,而且可通过学习者观看视频后在线留下的学习过程数据,精准发现学习过程中存在的问题,并为其提供指导建议,实现因材施教。然而,对于学习者来说,如何快速而精准地掌握教育视频的核心内容,并找到最需要的讲解视频,是一个亟待解决的问题。因此,本文以教育视频关键帧提取技术为研究对象,结合认知风格理论,对以下几个方面展开研究:1)针对现有视频关键帧提取方法很难对场景过于单一的教育视频进行较好提取关键帧操作的问题,本文提出了一种基于语义分析的教育视频关键帧自动提取模型KFEVSA（Key Frame Extraction of Educational Video based on Semantic Analysis）。教育视频中文字信息较多,因此本模型融合语义文本相似度计算中的TF-IDF算法和感知哈希算法对教育视频中的文本帧和空文本帧进行分别处理。该模型弥补了传统算法中只考虑图片底层特征提取关键帧的不足,可大大提高教育视频关键帧提取的准确性。另外,在判断文本相似性时,提出利用动态阈值替代静态阈值的思想,减少了关键帧冗余。2)提出一种基于认知风格的教育视频自动分类模型EV-AC（Educational Videos in Automatic Classification）,以提高学习者查找合适教育资源的效率。该模型结合认知风格理论,对教育视频关键帧进行文本特征提取、图像特征提取及视频音频特征提取,并利用K最近邻（K-Nearest Neighbor,KNN）分类算法将视频资料按照所属认知风格类型分类。利用EV-AC模型,可大大简化视频资料分类过程,对于减少视频检索时间,改善学习者学习效果具有重要意义。3)提出一种基于动态测评数据的学生学习掌握情况分析算法ASLM-DAD（Analyzing Student Learning Mastery based on Dynamic Assessment Data）,以判断学习者的视频学习效果。针对现有评判学习者掌握程度指标单一、效果不准确的局限性,ASLM-DAD算法充分考虑学习者的动态测评过程数据（例如答案正确性、答案修改次数、正确答案的选择次数在修改路径中占比、答题平均有效时间等）。该算法精准性更高,可真实反映学习者对知识点的详细掌握情况,从而为授课教师给出明确的指导建议提供参考。4)基于以上研究,本文结合海量教育视频和动态测评数据设计了一款教育视频关键帧提取、分类及测评分析原型系统。并在系统中进行了教育视频关键帧提取实验、基于认知风格的教育视频分类实验和动态测评数据分析实验,实验表明该系统可较好的展示实验结果,为学习者更好的学习提供良好支持。