随着中国社会的蓬勃发展,人们越来越注重对子女的教育。高考作为国家筛选人才的全国性考试,越来越得到社会的广泛关注。科学的高考预测对高考志愿填报具有重要意义。本文收集了2016年到2020年五年间的湖北省高考高校分数线数据,并且进行数据清洗,对数值型特征进行标准化处理,对字符型特征进行编码,然后选取2016年到2019年作为训练集,选取2020年的数据作为测试集,然后在训练集中选取30%作为验证集。本文首先采用的是信息融合最小二乘法进行预测,该方法利用了数据集中的分数特征和排名特征可以相互转换的原理,分别运用两种特征进行线性预测,然后将结果进行对照、修正,以达到减小误差的目的。与直接回归预测算法相比,该算法准确度提升了3%。其次,本文提出一种基于正交子空间直和分解算法的预测模型。普通最小二乘法（OLS）利用向量在子空间上的正交投影来逼近向量,生成回归系数,然后在更高维的子空间上保持线性关系来计算预测向量。一般来说,预测向量不再是近似的向量的正交投影。基于正交子空间的直和分解原理,构造投影子空间的正交补子空间,计算补子空间中的误差向量,重构原始向量,还分析了改进方法的稳定性。实验结果表明,改进后的方法比OLS具有更高的预测精度,准确率提升了5%。最后,考虑到高考数据中的非线性特征,本文采用深度学习理论中的LSTM神经网络,并引入注意力机制对其优化改进,构建了LSTM-ATTE神经网络模型,其中包括网络层的设计、网络层参数设计、迭代次数、激活函数、优化函数等,最后对模型进行了验证实验。实验结果表明,神经网络模型准确率可以达到93%。本文尝试将深度学习理论应用于高考分数线预测,实验表明本次尝试是有研究价值的。但是还存在许多不足之处,比如,数据集需不断完善并进行特征强调,使得模型运算效率得到提高,可采用多种神经网络模型集合,来提高模型的准确率,并有机会发现新的规律。