随着我国大学入学人数的逐年递增,高校教学质量受到了社会各界人士的广泛关注;而学业成绩作为衡量学生一段时间学习成效的重要指标,成为评价高校教育水准的重要指标之一。同时,各高校借着物联网、云计算和大数据迅猛发展的东风,纷纷建立了数字化校园环境。在此进程中,海量学生行为数据在校园内生成并不断积累。这些数据涵盖了学生日常学习和生活的全过程,不仅是研究人员当下关注的重点,也受到了高校管理人员的关注。但在实际应用中,受技术等因素的制约,绝大多数学业成绩预测相关研究往往只采用单一数据源进行,其预测精度往往不够理想,能为学生提供的反馈也较为有限。针对上述问题,本文基于校园大数据,在多空间数据融合的基础上（融合华师云课堂数据、校园一卡通数据、WiFi数据、校园网使用数据和数字教务数据）,分析挖掘学生行为模式的变化,并运用机器学习算法构建多元分类模型,对学生的学业成绩进行预测,助力学生行为模型的优化和学业成绩的改善。首先,本研究提出了学业成绩预测模型,主要包括学业预测和预警反馈两部分。其中,就学业预测而言,包括:①行为感知与表征。在学号等敏感信息加密的基础上,汇聚并融合线上线下多维学生行为数据,构建多维行为的时间序列数据集。其中,汇聚线上云课堂等数据,计算学生线上学习频次及时长等基本信息和学生在论坛的情感概率及其随时间的变化情况;汇聚线下一卡通和WiFi等数据,计算学生的图书借阅、就餐、消费等校园行为及其随时间的变化情况;同时,提取多维行为之间的相互转移情况及其转移概率,以量化学生行为的规律性（例如:学生甲吃完早餐后去图书馆的行为转移概率）。②特征计算。基于时间序列数据集,构建行为序列的量化计算表征模型,该模型从四个方面对行为的变化进行计算。首先,采用线性回归分析,利用线性指标（拐点、斜率、残差等）量化学生行为的线性变化特征;利用非线性指标（含:HMM熵、李氏指数、赫斯特指数、去趋势波动分析等）量化学生行为的非线性变化特征;采用深度学习算法,利用长短期记忆模型（LSTM）提取学生行为的时序变化特征。进一步地,为了综合考量不同类型行为指标对学业成绩的影响,本研究从加权融合的角度入手,计算各类指标的“加权特征”,对多维行为特征进行系统量化和分析。实验结果表明:本文所提取的行为表征模型能够较好地刻画学生的行为模式及其变化情况。③智能预测。采用相关性分析等方法,筛选对学业成绩影响较大的特征,在特征选择的基础上,采用XGBoost、SVM、KNN、GBRT以及RF等经典机器学习算法构建预测模型,并对比各经典算法的预测性能。研究发现:无论是在单源大样本数据集还是在在多源小样本数据集上,各预测算法均具有良好的预测性能,其分类预测准确率均达到0.80。就预警反馈而言,本研究使用95%置信区间箱体图,从学生行为模式的线性、非线性、时序和加权平均角度出发,对其行为模式与学业成绩之间的关系进行可视化分析和预警。实验结果表明,箱体图相关特征可以准确区分不同成绩区间的学生。其次,实验验证。本研究在两个真实数据集上验证了所提框架的有效性:①聚焦学生个体的行为差异,基于多源校园数据构建学业成绩预测模型（多源小样本）:模型在多空间数据融合的基础上,在相对小的样本上（156人）,可以较为准确地预测学业成绩,其预测准确率均达到0.84以上,同时为有挂科风险的学生个体提供可视化的学业成绩预警;②聚焦文理科群体的行为差异,基于上网行为数据构建学业成绩预测模型（单源大样本）:模型在单一数据源（校园网使用数据）的基础上,在相对大的样本上（999人）,以0.80准确率进行学业成绩预测,同时为有挂科风险的文理科群体提供学业成绩预警及对比。总之,本研究建立的模型无论是在多源小样本还是单源大样本数据集上,均能够较好地区分学生是否存在挂科风险,其预测准确率均达到80%以上。此外,研究发现,对于不同文理背景的学生而言,相同的上网行为对不同群体学生学业成绩存在不同的影响。