人才培养是大学的发展之本,而学生学业水平是衡量大学生专业能力的重要指标。学业预警工作是高校提高本科教育教学质量和学风建设的重要保证。本文基于数据挖掘技术,构建了学生学业预警分析模型,并利用改进的Apriori算法对学生的课程数据进行了关联规则挖掘。同时,基于以上研究成果,成功设计并实现了大学生学业预警系统。该系统不仅可以对学生进行学业预警,同时也可以对学院教学管理工作提供有用的数据支持和决策支持,有望在高校学业预警领域产生积极的应用和推广价值。本文主要工作如下:1、以某高校信息学院的近三年来本科生学业成绩为数据源,针对数据源结构杂乱,缺失值较多等问题突出的情况,按照学期划分,利用统计思想构建学业数据集。对于单个分类模型算法准确度、精确度低下等问题,基于Stacking堆叠框架,构建以XGBoost、Light GBM、Random Forest和GBDT算法为基学习器,决策树为元学习器的学业预警模型AWStacking（Academic Warning Stacking）,挖掘影响学生学业的关键特征。实验结果显示,AWStacking模型准确、精确率分别达到96%和91%,相比单算法模型,平均提升约4%。2、为便于跟踪学生专业课程学习变化,基于改进的Apriori算法,以兴趣度、支持度和置信度为度量指标,将学生所学课程按照通识课程、实践课程和专业课程等课程类别纳入考虑因素,对学生课程数据进行关联分析。以关联规则为分析依据,从不同专业、不同年级等多维度视角,捕捉不同专业、不同年级学生在不同课程类别的学业学习模式特点,并探讨课程之间的关联信息,帮助教学工作者优化课程设置。3、以学业预警模型和改进Apriori算法为基础,基于B/S架构设计开发了大学生学业预警系统,从学生、系部和学院三个层次,进行多场景、多视角的学业预警信息展示。通过学生学业个人画像和学业预警可视化页面,有利于学生自主把握学业详情以及教学管理人员对各年级各专业整体学业情况进行宏观把握,以期待为学院各级管理部门提供智力支撑和决策支持。