作为教育数据挖掘的重要研究分支之一,学生成绩预测研究得到了广泛的关注,国内外学者相继开展了一些卓有成效的工作。虽然传统的成绩预测方法取得了不错的效果,但这些方法仍存在一些不足,主要有两个方面:一是在传统课堂成绩预测问题中,预测存在一定的滞后性,而且数据也存在数据稀疏和特征单一等问题,以至于无法为课程初期的教学和管理工作提供有效的技术支撑。二是现有的在线平台课程成绩预测研究主要利用学习者在平台学习的日志数据,缺少其他相关课程成绩信息。另外,在建模时往往采用人工进行特征工程,高度依赖工程师的专业知识和经验,这在一定程度上影响了预测的准确性。针对上述问题,本文利用两种不同的数据提出不同的成绩预测模型,进而提高成绩预测的准确率,具体研究内容如下:1.针对教育数据挖掘中的传统课堂学生成绩预测数据稀疏、预测滞后性等问题,利用前几个学期所学课程成绩预测下一个学期或者几个学期将要学习的课程成绩,提出了一种融合自注意力机制和深度矩阵分解的传统课堂成绩预测模型。首先在模型中加入了自注意力机制,能够快速提取学生和课程的重要潜在特征,让模型更加专注于有用的信息。其次在模型中构建了双线性池化层,提高模型的泛化以及学习能力。本方法与传统方法相比,能够在课程开始前进行成绩预测,提高模型的可预见性。实验结果表明,该方法优于基线的对比方法。2.对于在线课程学生成绩预测问题,学生成绩的取得会有多方面因素影响:针对现有的成绩预测深度学习方法中未有同时考虑多个特征对成绩预测的影响等问题,提出了一种融合多特征组合的在线课程成绩预测模型。首先,该模型利用深度神经网络,能够自动进行特征工程,减少了人为特征工程的干预。其次,该模型利用因式分解机和两种神经网络同时考虑一阶特征、二阶特征、高阶特征的影响,充分学习各特征与成绩间的关系信息,相对于只利用单一特征学习提升了模型的预测效果。在英国开放大学学习分析数据集上进行模型性能评估,实验结果表明本文提出的基于特征组合的成绩预测模型比当前现有的成绩预测模型预测效果好。