随着计算机技术的发展,高校里的教育教学工作越来越依赖于教务管理系统。而教务管理系统中存储着大量的学生课程成绩数据,那么如何对这些数据进行有效的分析以提高学校的教学质量,这是非常值得人们深入研究的问题。本文使用了模糊神经网络的方法,根据学生的课程成绩数据预测其相应的毕业成绩,并且使用MATLAB软件对所构建的预测模型进行仿真实现,最后根据此模型开发出一套完善的学生成绩预测管理系统,从而达到学生学业预警的目的。虽然模糊神经网络具有自适应和非线性逼近两个优良的功能,能够解决课程成绩与毕业成绩之间复杂的非线性关系。但是模糊神经网络在一些方面上还存在着其自身不可避免的缺点,比如:学生成绩样本数据之间的冗余;输入变量维度过高而导致模型运行效率变低的问题;模糊神经网络容易陷于局部最优而难以寻找到全局最优值的现象。本文针对上述的三个问题,提出了一种基于主成份分析和遗传算法优化的模糊神经网络模型。第一步,通过主成份因子分析方法对学生成绩样本进行降维处理,使得原始高维的数据集变为一个低维的新数据集,从而降低模型输入变量的维度,进而提高模型的效率。同时,该过程还解决了样本数据之间的冗余问题。第二步,使用遗传算法优化模糊神经网络的前件参数,从而使得网络能够达到全局最优。如此,本文构建了优化的模糊神经网络成绩预测模型。然后,通过MATLAB软件进行仿真实验,结果表明,该模型能够利用已有的学生课程成绩对未知的毕业成绩做出较为准确的预测,从而可以使用预测结果为依据,对学生进行学业预警提示。验证了该模型用于毕业成绩预测的可行性。最后,依据本文研究中构建的优化模型,开发出一套具有较高实用性、复用性和扩展性的学生成绩管理系统,使用预测结果为依据,对学生进行学业预警提示。