计算机技术以及互联网技术在教育领域的持续发展受到了教育工作者及相关人员越来越多的关注,在线教育平台因其对时空界限的突破、对优质资源的整合等特征,自诞生以来就受到了各方关注。尤其是在2020年新冠疫情肆虐的背景下,在线学习更加被大众所熟知和使用。但与传统的教学形式相比,维持着庞杂信息的在线教育平台往往会因为缺少合适的维护而产生海量的信息碎片,在缺乏有效指导的情况下,学生的学习往往停留在较浅的层次,从而导致学习效果难以得到保障。为确保有效学习结果的获得,就需要借助个性化的学习指导以提供给学习者更深化的学习途径。而进行深层次的学习依赖于提供给学习者更方便直观的用户体验以及评估和强化其学习动机。因此,深入了解从学习动机到学习行为再到最终表现的各种关联,对于设计学习系统的体系结构以及系统提供的课程结构都是非常有用的。而现有研究的主要缺点之一是缺乏对动机和学生参与行为之间联系的解释。大多数研究都是通过对成绩单、访谈和问卷调查等数据的分析,采用定量和定性的方法来衡量学习动机。对学习者学习动机的评价视角比较狭隘,没有考虑到在线学习环境中学习者的在线行为。除此之外,现有的研究大都要基于学生在整个课程学期的全部表现进行分析研究,最终得到的研究结果无法及时反馈到当时的课程中。因此,如何有效的对海量数据进行分析,发现数据隐藏的特征从而对不同学习动机的学生进行智能干预是当前“互联网+”时代个性化教学的研究重点。针对以上问题,本文基于点击流数据采用深度聚类算法对学习者的行为进行建模以分析预测学习动机,主要内容分为以下两个方面:（1）学习动机数据的建模与分析本文在自我决定理论SDT（self-determination theory）的基础上在课程的前期对不同学习动机进行分析建模。研究比较了不同学习动机集群的参与度特征,并使用泊松回归和方差分析法分析了各个分组变量之间的相关关系。研究了具有不同学习动机的学生群体的课程成绩之间的差异性以及学习动机与学习者受教育程度的潜在联系。分析了校内校外不同学生群体与年龄分布等人口统计信息之间的关系,实验结果表明,具有外在动机的学生群体会在课程上有较好的表现。外在动机的强度与学生的学习成绩呈正相关关系。该结果从侧面印证了本文提出的聚类模型的有效性。（2）深度聚类模型的构造与分析为了根据在线学习平台的点击流数据分析学习行为以研究不同学习动机。本文基于开放大学虚拟学习环境中记录的有关学习行为的人口学统计信息和点击流数据,提出了一种高斯混合模型GMM（Gaussian Mixture Model）和堆叠自动编码器SAE（Stacked Autoencoder）相结合的深度聚类算法。通过轮廓系数和簇内误方差这两个聚类实验的内部评价指标来确定最优的聚类数目。并将本文提出深度聚类模型与其他论文中的聚类模型进行比较,从多个角度进行了对比研究。结果表明,该模型通过对点击流数据进行深层分析,极大的提高了聚类结果的准确性,使模型能够更准确的分析不同学生群体的学习动机,弥补了其他聚类算法中存在的不足。本文提出的基于点击流数据的学习行为分析与动机预测模型能够有效地判断学生的学习状态,从而为在线学习平台中的教学活动策略提供个性化的参考。这样做将有助于提高教学质量,改善整个课堂环境从而使学生能够更好的享受整个学习过程。