随着互联网的高速发展,传统的教学模式正在朝着信息化的方向大步前进。2012年,大规模开放在线课程MOOC在美国兴起,从此MOOC在全球掀起了一场前所未有的教育技术革命,也为我国教育事业的发展带来了生机与活力。慕课网作为一个专注于IT技能教育的MOOC平台,在2013年8月正式上线。慕课网用户的知识背景和学习动机呈多样化,并且用户在学习过程中产生了大量学习行为数据,这些数据可以从深层次反映出用户的学习习惯、学习风格和学习积极性等方面的特征。因此,对慕课网用户在线学习行为数据的挖掘和分析对慕课网的发展以及对用户提供科学合理的学习指导具有重大的意义。本文利用Python爬取了慕课网约331万用户的32268046条在线学习行为数据。将爬取的数据进行清洗后,对用户的在线学习行为做描述性统计分析,发现慕课网用户的整体特征和学习行为的规律特点。由于不同用户的学习行为有巨大差异,因此利用k-means聚类算法,将慕课网用户分为三种类型,挖掘不同类型用户的学习特点并对不同类型用户的学习行为做比较分析。基于以上分析,针对慕课网用户中断学习情况严重的问题,通过分析各个特征与中断学习的相关关系,挖掘影响用户中断学习的因素。最后分别建立Logistics回归模型、随机森林模型和Xgboost模型对用户是否会中断学习进行预测并比较不同模型的预测效果,找到最理想的预测模型,通过预测提早发现有中断学习风险的用户,尽早采取措施预防。通过研究,本文得出以下结论。一,慕课网用户的构成比例不均衡,男性用户约为女性用户的3.3倍。二,学习进度在30%以内的学习记录占比50.94%,学习进度为100%的学习记录仅占13.79%,能够跟随课程更新进度完成课程要求的用户很少。三,讨论区的整体参与度不高,参与者也不够活跃,用户的学习主动性不强。四,用户的类型分布不均匀,学习积极型用户所占比例不到4%,学习不积极型用户的比例达到80%以上,大部分用户缺乏学习积极性。五,从用户角度来看,对用户中断学习影响较大的因素是用户的学习经验、学习时长和选课数量。从课程的角度来看,对用户中断学习影响较大的因素是课程时长、课程章节数和课程评论数。六、采用Xgboost模型对慕课网用户中断学习进行预测的准确率为90.09%,精确率为90.93%,召回率为98.31%,F1的值为0.9447,AUC的值为0.90,模型的预测效果较Logistics回归模型和随机森林模型更为理想。根据以上结论,本文从用户、课程、政府和平台运作者的角度提出了相关建议。