随着高校信息化建设的快速发展,以校园一卡通系统为代表的信息化系统被广泛地应用到学生生活的各个方面,产生了大量的学生行为数据,如何从这些数据中挖掘有用信息,分析学生行为与成绩之间的关联模式,是当前教育领域的热门研究课题。本文主要是基于学生行为的成绩预测研究,结合数据挖掘分类算法和深度学习算法对学生在校园活动中的行为数据进行分析,试图找到一种预测准确率较高的学生成绩预测方法。首先,通过聚类和关联规则分析消费数据、借阅数据、学习时长和图书馆门禁等行为数据,挖掘隐藏在学生行为背后的行为模式以及与学生成绩相关的影响因素;其次,建立了基于随机森林、梯度提升树（Gradient Boosting Decision Tree,GBDT）和极端梯度提升（e Xtreme Gradient Boosting,Xgboost）的成绩预测融合模型;最后,针对融合模型预测精度低、手动提取行为特征不充分的问题,提出基于注意力机制的CNN-LSTM成绩预测模型。本文的主要研究内容如下:（1）数据预处理与特征提取。针对目前学生信息化管理平台不完善、挖掘有用信息效果不佳的问题,提出一种基于聚类和关联规则的学生行为分析组合算法,该算法首先采用K-mediods（K-中心点）算法对学生行为数据进行聚类分析,并对聚类结果进行离散化处理;然后,采用Eclat算法分析学生行为与成绩之间的关联关系;最后,结合两种算法综合分析了影响学生成绩的行为因素。（2）基于数据挖掘算法构建成绩预测模型。根据传统手动提取的行为特征,建立了基于随机森林、GBDT和Xgboost的成绩预测融合模型。首先通过Boosting算法计算随机森林、GBDT和Xgboost单一分类模型的权值;然后采用加权平均的方法对以上单模型进行融合,将该融合模型与单模型进行对比,验证融合模型的有效性。（3）建立了基于注意力机制的CNN-LSTM学生成绩预测模型。在融合模型分析结果的基础上,提出一种基于注意力机制的CNN-LSTM学生成绩预测模型。首先使用卷积神经网络（Convolutional Neural Nnetwork,CNN）提取深层学生行为特征,并采用最大池化方法选择学生行为特征中的显著特征;然后提取到的特征作为长短时记忆网络（Long and Short-Term Memory network,LSTM）的输入,进行学生成绩的预测;最后,在LSTM输出端引入时序注意力机制,为不同周次学生行为特征分配注意力权重,选择关键点数据,进而更准确的预测学生成绩。