近年来国内外学者在学习领域关注颇多,学习结果预测是其中的一个重难点,诸多学者对其展开了多层面多维度的研究。传统的教学以知识点覆盖为目标,现有的学习测评研究大多聚焦在知识层面,分析知识点的掌握程度。我们知道学习的过程是学习者将知识转化为个体认知,并加以运用的过程。如今的学习分析研究多以知识掌握为学习目标,很少深入到学习者认知能力提升和潜在特质改变的研究中。但是在学习过程中,二者是紧密联系不可分割的。为了进行有效的学生学习结果预测,综合考量学习产生的知识积累和潜在特质即能力变化,本研究从知识能力网络与学习结果预测两方面进行了深入研究,内容包括以下两个方面:（1）提出了一个知识空间与能力空间相结合的模型,用知识关键词和能力维度作为基本元素,实现了特定知识空间内学生学习多维度输出的定量描述;构建了以“关键词+能力”为节点的贝叶斯网络,通过概率推演实现学生学习结果的预测。研究中首先构建了专家先验网络,然后经过数据收集与清洗,通过统计学习贝叶斯网络结构,得到节点条件概率表,通过离散化的知识关键词-能力掌握等级来进行单一学生评价与等级预测。进一步,以测试阶段为时间序列进行动态贝叶斯网络构建,从班级整体能力掌握趋势来进行学习评估。实验结果表明,贝叶斯网络的预测与评价效果要优于传统的项目反应理论直接评价所得结果,得到的班级能力掌握趋势可以在教学方向上为教师提供有效的调整建议。（2）构建了基于潜在特征的贝叶斯知识追踪模型,近年来知识追踪模型的研究在快速发展,但是在知识追踪模型中仍然存在一些问题,其中数据特征缺少就是所面临的一大问题。本研究为了解决此问题,结合真实的学习过程提出了一个全新的潜在特征提取方法,并将潜在特征加入知识追踪模型的学习过程中,通过潜在特征对知识追踪模型的学习、猜测、转移参数进行调节,得到最终的学习结果。实验以公共知识追踪大数据集为基础,通过对数据集进行数据分析、特征选择,同时加入潜在特征数据,构建包含遗忘、滑移等参数的贝叶斯知识追踪模型,其结果显示,基于潜在特征的贝叶斯知识追踪模型对比于原始贝叶斯知识追踪模型拥有更好的预测表现,同时在部分节点上对比近年来一些深度知识追踪模型也有更好的预测表现。本研究针对学习评价与学习预测两方面提供了两种模型,通过模型得到的评价与预测结果可以在教学过程中给予教师一定的帮助,在个性化教学以及班级整体教学方向制定上具有辅助作用,为能力导向下的智能化教育提供了一些方法与建议。