如今关于学生心理健康的话题越来越受到社会的关注,如大学生心理异常引起的大学生犯罪、轻生的事件在社会舆论中也频频引发热议。目前对于心理疾病的认识,大部分的学生都是不足的甚至抱有忽略不重视的态度,使得这些有心理异常的学生不能得到及时的发现和有效的治疗,因此对于高校来说能否及时发现这些学生和进行干预是学生管理工作中的重中之重。而随着大数据时代的到来,数据挖掘技术的发展,通过数据挖掘模型对高校学生心理状态进行实时感知的方法成为了可能。本文基于大学校园内采集到的学生上网行为数据,搭配心理测评量表指标构建起了学生心理状态的感知预测模型,用于捕捉学生的心理状态信息,从而帮助心理辅导员能够及时地做出心理干涉。本文首先通过对采集到的三张测评量表MBTI测评量表、PHQ-9抑郁症筛查量表和GAD-7焦虑症筛查量表的各个测评维度得分进行心理学含义的解释后,用皮尔森相关系数矩阵对各个维度之间的相关性进行分析,发现抑郁、焦虑以及内外人格倾向彼此之间具有比较强的相关性,考虑到抑郁、焦虑都属于心理异常的范畴,而人格内外倾向又是最容易用于划分人群的心理学维度,可用于辅助异常心理状态的分析,故本文的心理状态预测模型将抑郁、焦虑以及人格内外倾向作为标签数据。然后通过用逻辑回归分析、信息熵和GA算法(遗传算法)对网络行为数据的特征维度进行构造,最后结合心理状态的标签数据得出用于模型实验的样本数据集,并以此设计了包含内外人格倾向分类、焦虑以及抑郁二分类的模型实验。在实验过程中,为了能体现不同模型之间的效果差异,构建了多种类型的数学模型进行水平对比;同时为了能体现同一类模型的参数影响问题,用网格搜索算法构建出不同的参数组合来进行垂直对比效果上的差异,最后通过实验得出:在1303份的样本中,内外人格倾向分类模型的多组实验平均精确度可以达到0.75;在1433份的样本中,焦虑以及抑郁的二分类模型的多组实验平均精确度均可以达到0.80以上。上述实验表明通过学生的网络行为数据预测其心理状态的方法具有可行性,可通过构建数学分类模型的方式对学生的心理状态进行实时的把握,预警心理状态异常的学生,从而帮助学校辅导员及时的对其进行心理干涉和预防。