学科竞赛是指在紧密结合传统课堂教学的基础上,以培养学生的学习兴趣、激发学生的潜能和促进学生的综合能力发展为目的,进行的一种特殊的考试,对提高学生的创新实践能力和推动人才培养等方面具有重要作用。近年来,各大高校均提高了对学科竞赛的重视,以学科竞赛带动创新创业教育深入开展,在教学模式、教育体系改革方面做了很多研究,但是在人才选拔方面的研究较少,很少考虑到成绩预测是一种优化人才选拔、提高竞赛成绩的方法。因此,如何进行竞赛获奖预测以提高学生竞赛水平是一个重要的研究内容。本课题以机器学习技术进行数据分析为基础,以蓝桥杯全国软件和信息技术专业人才大赛为例,进行学科竞赛的研究,提出了一种数据驱动的程序设计竞赛成绩预测方法,以帮助学生与教师开展竞赛相关工作。该方法首先从我校计算机专业的学生中进行数据采集,在采集数据过程中考虑到常规的学生基本信息、成绩信息等静态特征,也考虑到学生在BUCTOJ、Code Forces、At Coder、牛客网等网站训练相关的动态特征,得到41种特征。经数据清洗,特征选择,皮尔逊相关系数分析后,使用八种常用的机器学习算法构建预测模型,进行参数优化,并将预测标签设置为多种类型,进行二分类和多分类的程序设计获奖预测研究,同时进行消融实验对特征重要性进行评估。本课题以准确率（Accuracy）,精确率（Precision）,召回率（Recall）和F-measure作为二分类预测的评价指标,以Weighted-average作为多分类预测的评价指标,使用八种机器学习模型,进行50次十折交叉验证。实验结果表明,模型预测准确率均在80%以上,对于二分类（是否获奖）预测问题,随机森林算法拥有最优的表现,其Accuracy为96.17%,F-measure值为95.14%。对于多分类（具体奖项）预测问题,多层感知器拥有最优的表现,预测标签设置为三类时,Weighted-Accuracy为93.32%,预测标签设置为六类时,Weighted-Accuracy为83.42%。以Mean Decrease Accuracy作为特征重要性的评价指标,实验结果表明,在Code Forces网站的训练特征对预测结果影响最大。最后,本课题设计并开发了一套基于B/S架构的程序设计竞赛数据统计与分析系统。该系统收集学生在各个竞赛网站的训练数据,基于上述研究开发预测模块,进行学生程序设计竞赛的获奖预测,抓取各个竞赛网站的题目并进行介绍及分类并设置跳转,帮助学生进行训练提升。