随着计算机技术与网络技术的发展,我们己经步入了一个信息时代,信息技术在各个领域的应用正飞速的改变着人们工作、生活和学习的方式。由于传统的远程教育形式单一,只注重教而忽略学,教学双方互动差等问题,已经远远不能满足学习者的需求。以学习者为中心的学习越来越引起教育研究者的重视。如何处理好学习者在网络自主学习中遇到的问题是衡量网络学习效果的关键。为了解决远程教育存在的问题,教育研究者提出采用自适应学习系统来解决这一问题。利用自适应学习系统,让计算机系统担任教师的角色,为学习者提供个性化的自主学习环境。要实现这一功能,首先必须获得学习者特征。根据学习者特征才能安排不同的教学内容、教学策略,实现因材施教。学习者特征分析是自适应学习系统中的重要部分。本文从学习者特征分析理论研究和学习者特征分析系统实现两方面分析了目前国内外研究的现状,给出了自适应学习系统的框架结构,重点研究了自适应学习系统中的学习者特征分析模型。分析学习者的特征主要是指了解学习者的学习准备情况及其学习风格的活动。就是对学习者的个性化学习规律进行数据挖掘。了解学习者的学习习惯,分析其学习方法,评估学习效果,找出学习的最佳学习时间,提供最佳的课程组合,最终为学习者制定适合自己的学习课程,这样的个性化学习系统能够刺激学习者的学习热情和学习兴趣。学习者特征个性化学习规律挖掘实际上是对流数据进行挖掘。目前流数据挖掘的主要挖掘模式是序列模式挖掘。本文对序列模式挖掘中AprioriAll算法进行了研究,针对AprioriAll算法的不足,提出了一个改进算法。改进算法通过减少数据库中序列集的数量来提高算法的效率。算法可以删除数据库中非频繁子序列与长度小于K的序列集,这样在扫描候选序列集的支持度的时候,可以减少在数据库中扫描的记录数,减轻了系统负担,提高了算法效率。