在线教育打破了时间和空间的限制,整合了优质学习资源,给不同需求的学习者提供了极大的便利。然而参与在线学习的人数规模庞大,学习方式灵活,使得教师难以掌握每个学生的学习情况,无法准确识别学习中存在风险的学生。成绩预测能够通过对学生相关数据的分析,实现对学习效果的评估,从而达到识别风险学生的目的。目前,成绩预测主要从传统机器学习和深度学习进行成绩预测算法的研究。在传统机器学习算法中,集成学习算法在成绩预测领域取得了不错的预测效果。然而成绩预测中已有的集成学习算法在数据集数据量大、特征维度高时,其效率和扩展性并不理想。在深度学习算法中,循环神经网络在成绩预测领域往往能够取得较好的预测效果。然而由于在线教育学习方式的灵活性,学生的学习行为往往不受时间的约束,因此从学生的学习行为序列中提取的时序信息并不能完全正确的反映学生的学习状况。针对上述问题,本文分别进行了研究,其具体内容如下:（1）针对基于传统机器学习的成绩预测中存在的问题,本文引入了LightGBM算法（Light Gradient Boosting Machine）来构建学生成绩预测模型,该成绩预测模型能够高效快速的处理大数据量、特征维度高的在线教育数据集。在公开的在线教育数据集上进行了大量实验,实验结果表明,与其他基于传统机器学习算法的成绩预测模型相比,该成绩预测模型不仅能够实现更为准确的学生成绩预测,并且在训练的速度上有显著的提升。（2）针对基于深度学习的成绩预测中存在的问题,本文提出了一种新的网络结构GDPN（GRU＆DNN Prediction Network）来构建学生成绩预测模型。该成绩预测模型首先使用循环神经网络从学生学习的行为序列中提取学习行为的时序信息,其次使用深层神经网络从学生的整体学习行为数据中提取学习行为的整体信息,然后将使用连接层将两种信息进行连接,并使用一种简化的前馈神经网络注意力机制来快速有效的为提取到的信息赋予合适的权重。该成绩模型可以同时提取学生学习行为中的时序信息和整体信息,从而实现更为准确的成绩预测。在公开的在线教育数据集上进行了大量实验,实验结果表明,与其他基于深度学习的成绩预测模型相比,该预测模型在多种评价指标上均取得了较好的结果。