在线学习平台的不断发展,为国内外众多学习者提供开放且灵活的学习体验。但在线学习中通常存在辍学率较高和学习效果不佳的问题。这推动了学习数据挖掘和分析的出现——致力于借助数据挖掘技术对学习者行为数据进行多维细粒度的分析,有效识别学习模式和学习动机,并进一步探究它们对学习效果的影响,提高成绩预测的准确率。已有的学习数据挖掘与分析方法主要存在三个问题:（1）缺乏对学习者付出-收获匹配度演化模式的了解。（2）缺乏基于学习效率序列的学习模式识别与学习动机预测。（3）忽略了学习模式与学习动机对学习效果的影响,无法有效地提高成绩预测的准确率。为了解决上述问题,本文提出了基于学习者行为的模式识别及成绩预测问题,旨在通过多维细粒度的学习行为分析来实现学习模式和动机识别,并构建深度学习模型来更精准地预测学习成绩。本文的主要研究内容及创新点如下:（1）提出了基于学习者行为的模式识别及成绩预测问题。为了解决该问题,首先,本文基于学习者行为数据定义了学习付出、学习收获和学习效率计算公式。然后,基于学习效率序列,利用高斯混合模型实现学习模式识别。并进一步使用胶囊神经网络实现学习动机预测。（2）对八个真实课程数据集进行多维细粒度的学习规律挖掘。通过学习数据挖掘和分析了四个研究问题,以此探究学习模式、学习动机与学习行为付出、收获之间的关系。（3）提出了基于学习模式和学习动机的成绩预测模型（GMM+BLAT）。通过在八门真实课程数据集上进行广泛实验来评估本文所提模型GMM+BLAT的有效性,相比于组合基线模型,所提模型得到了显著的性能提升。以课程《建筑史（下）》为例,模型在MF、WP、WR、WF四个评估指标上的性能提升分别为5%-29%,5%-23%,3%-7%,5%-29%。