基于人工智能技术的智能辅导系统对在线教育行业影响深远,在线教育的发展、社会的进步也对智能辅导系统的智能化、个性化水平提出了更高的要求。知识追踪是根据学生在智能辅导系统上的历史答题交互信息对学生的知识状态进行建模、预测的任务。知识追踪可以有效预测学生的知识掌握情况以及学生的答题正确率,可以个性化定制学生答题路径,提高学生学习效率。知识追踪对提升智能辅导系统智能化、个性化水平发挥着重要作用,是智能辅导系统助力实现智慧教育目标的关键技术。深度学习在人工智能领域已经获得了巨大成功。各种基于深度学习的知识追踪模型也得到了极大的发展,在知识建模、预测等任务中表现优异。但是现有的深度知识追踪模型仍然普遍存在以下两个问题:（1）片面专注于基于技能序列的学生知识状态建模,对于多技能组成题目,难以有效感知所属同一个题目的技能之间的关联性。（2）简单地把学生的历史答题信息看成序列数据来处理,忽略了知识概念、技能本身具有的图结构特征,难以有效感知图中技能节点与它的邻居技能节点之间的关联性以及技能之间在图结构上的关联性。因此,本文专注于探索、研究技能之间的关联性,提出了基于深度学习的关联技能知识追踪模型研究。针对问题（1）,本文提出了关联技能知识追踪模型。对于多技能组成题目,本文系统性分析了业界经典的智能辅导系统数据集,发现了多技能组成题目的技能之间的新特性,本文把组成同一题目的联合技能分别定义成当前技能以及当前技能的关联技能,通过挖掘当前技能和关联技能的潜在联系,提升了模型感知所属同一个题目的技能之间关联性的能力,提高了模型的预测准确率,扩展了模型对学生知识状态的建模、预测的深度以及广度。针对问题（2）,本文提出了基于图的关联技能知识追踪模型。本文探索了知识概念、技能本身具有的图结构特性,根据学生的历史答题序列信息构建了技能的图结构,并且定义了图中技能的关联技能点,即该技能点的1跳邻居技能节点。新颖地将技能的图结构与图神经网络以及基于图的知识追踪模型结合在一起,提升了模型感知图中技能节点与它的邻居技能节点之间的关联性的能力以及探索技能之间在图结构上关联性的能力,提高了模型的预测准确率。本文进行了广泛的、系统性的实验来测试模型的性能。结合神经图灵机的关联技能知识追踪模型在三个带有题目字段的真实世界数据集（ASSIST09、ASSIST17、EdNet）上分别取得了85.38%、82.35%、80.81%的最佳测试AUC结果。基于图的关联技能知识追踪模型在选取的六个公共数据集（Algebra05、ASSIST09、ASSIST12、ASSIST15、ASSIST17、EdNet）上的测试AUC结果比表现最好的基准模型平均提升了1.36%。本文还深度探索了学生知识状态建模、预测的详细过程,讨论了知识概念、技能之间的关联性,习题练习之间的条件影响,以及知识概念发现等任务。