近年来,随着智能教育的发展,互联网在线教育平台应运而生,打破了传统课堂的时空限制,实现教育资源共享。越来越多学生选择在线教育平台进行辅助学习,积累了大量的学生学习数据,这些数据蕴含了丰富的信息和价值,为实现知识追踪等教育研究任务提供有力的支撑。知识追踪任务是通过对学生学习数据进行建模追踪学生知识状态的变化,旨在掌握学生的学习水平、知识状态等,从而为学生制定个性化学习方案,提升学生学习效率。因此,如何通过分析和研究教育数据资源实现知识追踪任务成为教育数据挖掘领域的研究热点。目前,利用教育数据实现知识追踪任务使用最为广泛的是深度知识追踪模型。该模型通过对学生历史练习记录进行编码,利用循环神经网络追踪学生知识状态,但是该模型仅关注学生作答结果等练习特征,忽略学生答题行为以及学生信息等学生特征对学生成绩的影响;此外,该模型也忽略了不同特征数据对学生成绩的影响存在差异。为此,本文将基于增强深度知识追踪模型开展研究工作。首先,针对传统模型仅选择练习特征,提出在知识追踪模型中融合学生特征和练习特征;其次,针对传统模型忽视特征数据对学生成绩的影响效力,提出在知识追踪模型上融合多特征和注意力机制。本文的主要工作和创新点如下:（1）提出一个基于多特征增强的深度知识追踪模型。该模型首先提出基于深度知识追踪模型融合学生特征和练习特征,然后采用主成分分析算法处理特征数据,综合考量特征之间存在的内在规律及相关性;最后,提出利用循环神经网络将学生的学习活动记录编码为知识状态,从而预测学生表现,实验结果验证了该方法的有效性并提高了预测精度。（2）在创新点（1）的基础上提出了一个基于多特征融合注意力机制增强的深度知识追踪模型。首先,提出基于深度知识追踪模型结合多种特征数据;然后,利用循环神经网络处理学生序列练习结果追踪学生知识状态的变化;最后,充分考虑每个特征对学生知识掌握水平、能力及状态产生的影响不同,提出基于原始循环神经网络融合注意力机制,扩大关键特征对学生成绩的影响,从而更精准的追踪学生知识状态、预测学生表现。实验结果表明该方法增强了知识追踪模型的可解释性以及预测性能。提出的两项研究工作均在真实数据集上进行实验,结果表明本文提出的方法能够精准的追踪学生知识掌握状态,预测学生未来表现。