心理压力是人在面对难以应付的场景时产生的一种心理应激反应。研究表明,适当程度的压力可以促使人进步并发挥潜力。对于学生来说,适当的压力能够提高他们的学习效率,有利于他们的成长发展。但是,过大的心理压力则可能给学生在生理和心理方面带来痛苦,甚至引发自杀行为。如果能及时发现心理压力异常的同学,学校可以及时提供帮助和干预,缓解心理压力。目前心理压力评估主要通过定期问卷检测的方式。然而此方式仅能反映参与调查学生当时的心理压力,不能获得未参与学生的压力状态。此外,学生填写问卷时可能敷衍或者为了隐瞒真实情况故意填写错误信息。因此本文研究利用数据挖掘技术评估大学生心理压力的方法。本文采用的部分数据（如学生个人信息和校园日常生活数据）涉及学生隐私,在分析前已对表征学生身份信息的数据进行了加密处理。本文的主要工作包括以下两项内容:一是提出了基于校园日常数据的大学生心理压力评估方法。本文首先确定了大学校园中可以用于心理评估的数据源,包括学生个人信息、课程成绩记录、校园卡消费记录、助学金记录。然后给出从这些数据源中提取特征的计算方法,最后获取特征用于训练机器学习模型。二是提出了一种适用于非均衡样本数据的集成采样神经网络（ES-ANN）模型。由于心理压力较大的学生占学生总数的比例较小,因此训练过程容易出现较严重的数据不均衡现象。为了解决这一问题,我们提出了集成采样神经网络（ES-ANN）模型。该模型由多个神经网络模型构成,每个神经网络采用欠采样算法,再使用集成学习技术综合每个神经网络的分类结果。同时,为了研究有监督学习和无监督学习的区别,还引入了LOF算法进行比较。实验表明ES-ANN的G-mean值比最好的基准算法提高了大约8个百分点,F1值提高了大约4个百分点。相比传统的基于调查问卷的方法,校园日常数据有更高的真实性和实时性,有助于学校及时地发现心理压力大的学生。本文的研究表明,这一思路具有潜在的可行性,值得在实践中进一步验证和改进。