随着中国职业院校的大规模扩招,各个职业院校在校生人数越来越多,其中的学生情况就越来越复杂。现在学校的信息化建设主要方向是不同的信息系统数据共享与数据一体化分析。教务管理系统几乎可以与职业院校所有的相关系统进行数据共享与分析。教务管理系统涵盖了在校学生的众多数据,如学生的选课功能数据、早勤打卡数据、成绩数据、课程学分完成课程等,通过挖掘这些与学生学习生活息息相关的数据来分析数据背后隐藏的关键信息,得到教学和基础设施建设的指导意义已经成为了当前教务管理系统的迫切需求。在教务系统的教学质量分析过程中,较为常见的算法是采用C4.5决策树算法。但是,此类算法的结果精度受到初始特征值的选取的影响较大。同时,样本的数据量大小对结果精度也有较大的影响。这都不利于教学质量的科学分析。在算法分析方面,本文针对现有C4.5决策树算法的不足,引入卷积神经网络算法(CNN,convolutional neural network),不仅实现了特征值的精选与优化,而且还通过自动化提取特征值避免了人工选取的偶然误差。首先结合现有课程,深度挖掘课程属性(例如,学年与专业关系、学期与上课人数关系等等),并提取特定时期的数据作为训练数据样本;其次,通过CNN的引入,改进教学质量决策树初始环境设置方式。在原有的基于决策树算法的教学质量分析算法中,借助CNN在处理非线性数据方面的优势,将特征提取过程优化,得到更为有效的决策树分析特征初始设置属性。通过测试,本文系统在功能上可以满足教务管理的基本需求;在性能上符合基本使用要求;在算法的对比测试过程中,本文引入CNN优化的C4.5决策树算法在验证集上达到94%准确率,在测试集上达到96%准确率,基本达到预期。本文在实现教学质量算法优化与科学分析的基础上,结合教务管理的实际需求,开发出三大功能模块。通过系统测试环节的验证,本文系统达到了预期效果,具有一定的实用性和科研价值。