随着互联网的发展,智能教育成为教育发展的迫切需求。学生知识追踪模型能够根据学生的历史学习记录获得习题表征和学生能力表征,追踪学生对知识的掌握情况。智能教育需要准确的学生知识追踪模型。目前,制约学生知识追踪模型效果的两个原因是:（1）习题表征不准确。以知识点为粒度的习题表征难以刻画习题的精确信息;以习题为粒度的表征,由于数据稀疏导致模型参数学习不准确;已有的综合知识点和习题的混合模型采用加性模型进行习题表征,不符合实际数据的分布。（2）学生能力表征不准确。传统模型基于知识点进行学生能力表征,忽略了同一知识点下不同难度习题对学生能力的提升不同,而深度模型在对学生学习能力进行度量时,没有考虑习题难度,并且通过累积学生记录进行学习能力计算的方法不能准确捕捉学生即时的能力变化,也没有考虑学生的长期能力特征。为了解决上述问题,本文基于真实智能教育系统的学生练习数据集,细致测量与分析了学生做题行为和习题难度特征,针对传统模型,提出能够准确进行习题表征和学生能力表征的改进模型,针对深度模型,提出长期和动态相结合的个性化深度知识追踪模型。具体贡献如下:（1）对于传统学生知识追踪模型,本文首先基于真实学生做题数据分析结果,设计了综合考虑习题和知识点的习题难度乘性模型,以改进习题表征。实验表明:该方法将目前主流的知识追踪模型DAS3H、AFM和PFA在Assistment12数据集上的AUC分别提高了0.7%、1.3%和3.5%,在Geometry数据集上分别提高了2.1%、3.5%和3.6%。其次,本文又设计了新的基于习题难度的学生能力表征模型,将各模型在Assistment12数据集上的AUC进一步分别提高了0.2%、5.6%和3.2%,在Geometry数据集上分别提高了0.1%、0.6%和1.2%。最终,本文设计的基于习题难度增强的知识追踪模型DAS3H-DW比当前最新的DAS3H模型,在Geometry和Assistment12数据集上AUC分别提高2.2%和0.9%,证明了本文算法的通用性和有效性。（2）对于深度学生知识追踪模型,本文首先也在模型中引入习题难度信息,然后基于真实学生做题数据分析结果,设计了新的学生学习能力分段表示方法,以实现准确的学生知识状态动态追踪。在真实数据上的实验结果表明:该方法将现有深度知识追踪模型的AUC提高了0.3%。其次,本文引入班级类型对学生进行长期能力特征的区分,AUC提高了0.4%。最终,本文设计的综合上述两种方法的新的深度知识追踪模型DIDKT-CL相比于现有个性化深度学生模型IDKT,AUC提高了0.7%,证明了本文算法的有效性。图19幅,表5个,参考文献52篇。