云技术、物联网和基于二者的大数据技术的飞跃性发展正推动着教育领域发生前所未有的变革。大数据时代的教育创新，教育大数据挖掘及学习分析如今成为信息科学研究的最大热点之一。由于学习过程的复杂性多样性，涉及到多学科间的交叉关联性，至今为止包括大规模开放网络课程MOOC以及其他在线学习系统上的数据研究都还停留在宏观统计上的分析，无法达到支持个性化学习的需求。　　在教育和计算机交叉领域，“认知诊断”一词被提出并受到广泛关注和研究。在对教育测试数据进行分析研究过程中，如何通过一些特定的认知诊断分类模型来正确的将实际数据转换为我们需要的诊断信息，一直是认知诊断领域的研究方向。认知诊断模型(CDM)通过分析学生对题目的反应来判断学生对特定属性的掌握情况，从而达到认知诊断的目的。较之传统评估理论，认知诊断理论更大程度上注重分析学生个体的差异性，判断学生个体能力的掌握情况，从而因人而异的进行学习计划，达到因材施教的目的。随着信息社会的发展和大数据的推动，基于数据驱动的方法得到广泛应用，而教育领域中学生的项目反应的数据多为布尔数据，本文提出的基于布尔矩阵分解的方法对学生进行认知诊断的研究，弥补了认知诊断在数据驱动方法方面的空白，具有十分重大而深远的意义。　　本文首先对认知诊断理论的研究背景、研究意义和国内外研究成果进行了详细阐述，并对认知诊断的相关理论和技术进行了全面的研究与分析，总结了目前相关领域的研究困难与不足。其次，本文结合布尔矩阵分解对认知诊断中模型搭建了新的数学框架，提出了一种数据驱动的认知诊断方法，对题目包含属性状态（Q矩阵）和学生掌握的知识状态进行了推断。然后，结合得到的Q矩阵和学生的知识状态，对学生现有的知识体系进行诊断分析，找出学生在答题中的障碍和不足。最后，根据学生现有知识状态，利用认知诊断模型，因地制宜的给每一位学生制定个性化的学习计划。结果表明，利用布尔矩阵分解处理认知诊断模型中的相关问题具有显著的优势，相比以往的各种方法具有更好的表现。另外，本文基于认知诊断模型和矩阵完成理论，对学生的项目反应做出了预测，实现了对学生项目反应的预测。最后，总结了本文在布尔矩阵分解和认知诊断模型方面的主要研究成果和创新点，并展望了未来的研究工作。　　本文的主要学术创新和贡献包括以下四个方面:　　1.基于布尔矩阵分解理论，创建了DINA(the Deterministic Input，Noisy“And”Gate)模型的数学框架，提出了数据驱动的迭代算法;　　2.实现了对Q矩阵的学习和校正，并推断了学生的知识状态，得到了学生对特定知识点的掌握情况，从而为学生的个性化学习奠定了基础;　　3.针对学生的知识状态，结合Q矩阵理论，提出了个性化诊断算法，对学生进行一定的诊断并制定出了个性化的学习方案;　　4.在以上研究基础上，结合矩阵完成理论，实现了对学生项目反应的预测。　　本文基于认知诊断模型，提出了数据驱动的认知诊断方法，从学生项目反应出发，结合布尔矩阵分解，对Q矩阵和学生知识状态进行了有效的学习和诊断。本文的研究成果对认知诊断模型的研究以及个性化教育研究具有重要的参考价值，可以有效提高认知诊断的精度和促进个性化教育的进一步发展。