在大数据时代背景下,随着信息技术的发展,智能教育作为人工智能创新应用加速兴起,学习环境智能化也成为学习主流化趋势。学习者在进行在线学习时或参与学习相关活动时产生的学习行为数据可在一定程度上表现学习者在学习过程中的偏好倾向即学习风格。借助信息技术手段挖掘行为数据背后潜在的特征信息并进行研究分析,可为教学双方及管理者对于学习资源、方式的选择,精准教学,提高教学质量提供决策支持。因此,本文的研究目的是揭示在线学习行为中的学习风格,分析行为特征并通过技术手段预测学业成绩。本文以分类学习风格,构建学业成绩预测模型为研究主题,结合行为科学、在线学习及学习分析相关理论,从在线学习风格的内涵、行为表现、学业成绩预测建模等几个方面,研究分析相关理论与实验结果。本文研究工作主要包括以下几个方面:（1）本文首先对论文的选题背景进行阐述,并论述挖掘在线学习行为数据的实际意义,采用文献回顾法从在线学习行为分析的研究内容及研究方法两方面对国内外研究现状进行梳理,针对现有研究存在的问题,结合实际情况,提出本研究的研究问题,基于研究问题提出研究思路与研究方法。（2）对学习行为分析的相关理论及数据挖掘相关的技术和方法进行阐述,包括行为科学理论、在线学习相关理论、学习分析相关理论以及数据挖掘的定义、流程以及常用算法。（3）在研究己有学习风格理论模型的基础上,深刻理解学习风格的内涵,并结合在线学习的特点,本研究基于Felder-Silverman模型从信息输入、信息加工、学习态度、学习行为投入四个维度构建在线学习风格模型。通过K-Means算法,分析各个维度上学习者的学习风格以及学习行为上的表现差异,建立学生学习画像。（4）为了进一步探究学习风格是否影响学习成绩采用方差分析以及独立样本T检验,本文通过分析结果可知学习风格不同的学习者成绩表现有显著差异。介绍数据预处理及特征选择相关理论,并结合机器学习分类算法构建基于在线学习行为分析的学业成绩预测模型。（5）应用分析学业成绩预测模型,对超星平台上的《大学物理实验》课程进行预测。本文根据相关性分析及递归特征消除法选取了五个对成绩影响权重大的学习行为特征后,基于机器学习中的5种算法对学业成绩建立预测模型。通过使用网格搜索法进行参数优化,结合五种预测模型的优点以及缺点,在测试集上对模型性能进行了论证。实验结果表明经过特征选择、参数优化后的预测模型能够对学生的行为特征进行有效的识别,在一定程度上有效预测学生成绩。实验对比分析了五种机器学习预测算法的预测效果,结果表明Ada Boost分类效果最好。