知识追踪（Knowledge Tracing,KT）是学习者建模的重要组成部分,它对学习者的知识获取过程进行建模。知识追踪比较常用的方法之一是贝叶斯知识追踪（Bayesin Knowledge Tracing,BKT）,它使用隐马尔可夫模型,随着深度学习的发展,越来越多的研究正在使用深度神经网络来完成这项任务,如DKT（Deep Knowledge Tracing）。然而,理论框架的局限使得提高算法的性能越来越困难;同时,由于算法本身缺乏可解释性,在ITS（Intelligent Tutoring System）中使用时缺乏理论支持。因此,利用深度神经网络,保证算法的性能和提高算法的可解释性是本文研究的重点。本研究以ACT-R（Adaptive Controlof Thought-Rational）认知体系结构为理论依据,共提出了两个模型,第一个模型是在DKT基础上的改进,称为TCN KT模型,改进的依据是ACT-R认知模拟理论;但由于DKT模型在设计的过程中并没有非常重视学习者的认知过程,因此本研究提出了第二个模型,ACT-RKT模型,它是深度神经网络和ACT-R认知体系结构的结合,使用程序性知识时,学习者需要从长期记忆中提取陈述性知识。为了进一步验证模型的性能,使用五折交叉验证在六个数据集上对两个模型进行了测试。实验结果表明,TCNKT模型的性能略优于DKT,同时,可视化分析结果表明,ACT-RKT模型具有较好的可解释性,为知识追踪算法的研究提供了新的尝试。论文的主要工作包括:（1）通过相关研究分析,将知识追踪的研究分成三个层次,分别为核心层、中层和外层。同时根据文献内容,发现现有知识追踪研究中存在着模型的解释性比较差、对于学习者的认知过程研究不足等问题,针对这些问题提出了初步的改进方案;（2）在知识追踪的中层进行研究,依据现有研究的基础,通过ACT-R认知模拟理论,对DKT模型进行改进,发现DKT对于记忆提取还存在不足之处,因此提出了 TCN-KT模型,AUC最高提升了 2%;（3）在知识追踪的核心层进行研究,依据现有研究的基础,结合了 ACT-R认知体系结构,对ACT-R认知体系结构中所提出的几个重要的认知过程进行适当简化,并且通过数学公式将认知过程进行抽象,提出了 ACT-RKT模型,提升了解释性;（4）对TCN KT模型和ACT-R KT模型进行了可视化分析并做了对比,对比发现两个模型各有所长,能够在不同的场景下分别应用。