从上世纪末以来,受我国高等教育扩招政策的影响,我国高等教育的发展进入了快车道,人才培养质量问题也日趋明显。同时社会各界对大学生的质量要求逐年提高,对高校而言怎样保障为社会输出人才的质量。那么就需要有一个适应当下社会需求的大学生培养质量评价方法。大学生培养质量评价没有统一的标准,通过对已有的评价方法和评价指标研究发现,现有的评价指标不全面,指标赋权方法主观性强,评价方法效率低评价过程繁琐。本文研究工作如下:第一,针对指标构建不合理的情况,根据社会各界对人才的需求和大学生自身的发展要求构建大学生培养质量评价指标体系。指标体系包含知识,能力,和素质3个一级指标;专业知识,创新能力,思想素质等14个二级指标和40个观测点。第二,对思想素质的评价,大多采用教师评价的方式,不能全面对学生的思想素质进行评价。本文研究数据采集方法和量化方法,从教务系统,图书管理系统、教学评审材料、问卷调查获取观测点数据,并对二级指标进行量化。对思想素质等指标量化采用教师评价和学生互评的方式,使指标量化角度更全面。第三,分析常用赋权方法的优缺点,针对主观赋权法主观性强和客观赋权法解释性差的问题,提出主观赋权法和客观赋权法相结合的组合赋权法。使用层次分析法根据高校教师,企业人员,政府工作人员等进行问卷得到主观权重,使用熵权法结合采集的数据计算出客观权重。使用距离函数计算主观权重系数为0.56,客观权重系数为0.44。组合权重不仅解释性好,又对权重的主观性进行了修正。第四,传统评价方法效率低,过程繁琐。通过对大学生培养质量评价研究,提出使用机器学习进行大学生培养质量评价能够有效提高评价效率简化评价过程。使用样本对机器学习算法进行训练,得到机器学习评价模型。训练完成后模型可以方便的应用于评价,能够提高效率,简化评价过程。评价方法采用AdaBoost对SVM的集成模型,SVM核函数选择高斯核函数,并引入多样性测度函数对AdaBoostSVM进行改进。用Iris数据集对算法测试,结果表明改进的AdaBoost-SVM模型的准确率在小数据集上达到92%.在少量数据集下准确率高于SVM和BP神经网络。使用学生样本数据对AdaBoost-SVM行训练和测试,模型迭代7次准确率达到91%,评价方法简洁有效。