教育数据挖掘旨在通过机器学习、数据挖掘等技术从教育资源中发现其内在规律,来解决教育教学过程中的一些潜在问题。学生成绩预测是教育数据挖掘领域的重要研究问题之一,其旨在利用与学生行为相关的信息,来预测学生在未来时间的学习表现情况,例如:学生能否顺利通过考试、考试分数、成绩排名等,从而实现对学生的个性化分析和指导。对学生成绩进行及时准确的预测,不仅有利于提升学习者的成绩,提高教师的教学质量以及学校管理者的管理效率,还有助于改善教育教学环境。此前,许多学者利用学生的各个属性特征对学生成绩预测的研究已取得不错效果。但是,目前的工作还存在一些不足,主要表现在以下3个方面:当前工作大多是基于传统机器学习方法的研究,深度学习方法少有涉及,预测准确率还有待于进一步提升;当前工作仅考虑已挑选的属性特征对学生成绩的影响,而忽略了未挑选特征的影响;当前工作假设各个属性特征对所有学生的影响程度是相同的,忽略了学生的个体差异。事实上,不同属性特征对同一学生成绩的影响程度不同,而且不同学生受同一属性特征的影响程度也不同。针对以上问题,论文以提高学生成绩预测模型的准确性与可解释性为主要目标,更全面准确地分析利用这些属性特征对学生成绩进行预测,实现对学生的个性化分析与指导。主要内容包括以下4个方面:（1）提出了一种数据预处理方法。该方法根据属性特征值特点对数据进行预处理,包括对二元数据进行数字编码转换、数值归一化、对成绩进行分组、删除异常数据等。（2）提出了一种基于自注意力机制的成绩预测方法。该方法对影响学生期末成绩的各个属性特征进行建模,通过引入自注意力机制为不同属性特征赋予不同的注意力权重,从而有区别地对待了这些属性特征对成绩的影响程度,提升了成绩预测的准确率。（3）提出了一种基于双路注意力机制的成绩预测方法。该方法不仅有区别地对待了各个属性特征对学生成绩的影响程度,而且充分考虑到了历史成绩与期末成绩的关联关系。该方法通过2次注意力计算分别得到各属性特征在第1阶段成绩和第2阶段成绩上的注意力得分,并考虑了多种特征融合方式,使得各个属性特征得到了更为全面准确地利用,最后基于融合后的特征对学生期末成绩进行更好地预测。（4）分别在两个公开数据集上对模型进行了验证,与支持向量机、逻辑回归、高斯朴素贝叶斯以及决策树等4种传统的机器学习算法在学生成绩预测结果上进行了比较,并进一步根据各属性特征在期末成绩上的概率分布对预测结果进行了可视化分析。结果显示,所构建模型能够更准确地预测出学生成绩,同时还具有良好的可解释性。