近年来,随着信息技术的飞速发展,大规模在线教育作为新兴的教育方法正在持续蓬勃发展,其中以慕课为代表的在线学习正逐渐走进了千家万户。尽管慕课在人们中非常受欢迎,但是仍然面临着一个巨大的挑战—高辍学率,一定程度上影响了其进一步的发展。提前预测到辍学率可以采取相关措施避免尽可能多的辍学。如何在学习者海量的行为数据中准确分析并预测退学率是一个需要解决的问题。虽然目前针对在线平台上学习者行为分析与退学率预测的研究很多,但是仍然存在以下几个问题:（1）对学习者行为分析未能结合心理学认知合理地对行为量化分析,同时在数据处理上没有对复杂的时序性数据进行深度处理,无法挖掘到学习者隐藏的行为特征。（2）对于学习者行为聚类时,只是从学习者学习行为层面出发进行聚类,过分关注的是学习行为以及行为是否发生,没有从选课层面出发,忽略了其最初的选课时的偏好与学习目标。（3）退学率预测方面缺少可解释性,当前的研究大多将其看作二分类问题或者时间序列问题,忽略了影响学习者行为的不仅是序列行为也有历史行为,同时对于学习者在刚加入的新课程缺少行为数据时无法进行预测。为了解决当前面临的问题,本文的研究内容与贡献如下:（1）对每个学习行为进行深度分析,探索每个行为与退学率之间的关联关系,并将学习者行为基于心理学背景知识进行量化,使得其既能够有效区别不同学习者的在线学习时长,也能找出其对资源的兴趣与行为的偏好。（2）针对学习者在课程中的行为做时序性数据处理进行编码降维,从中提取学习者潜在的行为特征,然后从学习者课程选择的角度探索其选课行为特征,最后结合学习行为与选课行为进行有效的聚类。（3）针对退学率预测方法中不足的地方,提出一个基于关联周期的注意力机制的深度学习架构对退学率进行预测,通过关联周期的注意力机制将历史行为作为预测因子,然后结合时序性行为的影响与历史行为的影响进行预测。最后基于聚类得到的潜在群体去预测在学习者在刚加入的新课程中是否会退学,可以提前预测并尽早采用相关措施进行干预。最后在数据集上分别验证聚类方法的合理性,以及提出的退学率预测方法的有效性,同时也基于聚类得到的学习者群体去预测在学习者在新加入的课程中是否会退学,结果也说明用群体的行为特征去预测个人在新课程中退学率是可行的。