近年来,数据驱动教育改革、创新和升级已经成为提高高等教育的有效途径,但也存在着实践能力弱、自适应力不足,学习效率低下的局限性。为保证在线学习的有效开展,须对在线学习者的类型识别开展更深入的研究,应用更多现代化的学习技术来丰富在线学习领域的理论与应用。本文在现有研究的基础上,基于学习者视角的网络学习行为分析,构建识别学习者类型的分类模型,从以下三个方面展开研究:首先,基于LFFA对在线学习者分类影响因素进行识别与筛选。依据行为科学理论和社会认知理论,以及行为构成和属性要素来构建影响学习者分类的行为指标体系,利用LFFA优化算法进行特征筛选,剔除不相关因素,得到包含5个关键行为特征的指标体系用于后续建模预测;其次,基于深度学习构建预测模型识别在线学习者类型。针对不同学习者的学习行为差异,分别应用混合专家网络、莱维飞行改进下的萤火虫算法来对长短期记忆网路、最小二乘支持向量和深度森林进行优化,分别构建了Mo E-LSTM模型、LFFA-LSSVM和Deepforest模型用以实验,提高模型对于在线学习者类型的识别效果;最后,依照Stacking架构构建在线学习者分类模型并进行实验。以前一部分的三个识别模型作为初级学习器,利用集成学习的思想,应用Stacking架构将三个模型进行拟合,预测结果以渐进梯度树的形式输出,并采用十折交叉验证结果。通过实验对比分析后发现,相较于传统的单一识别模型,本文所构建的基于深度学习的在线学习者分类识别模型具有较好的预测精度,深化了深度学习模型在在线教育和行为识别预测方面的理论研究和应用,能够解决以往调研数据的不准确问题,可对学习者进行有效识别与刻画,以便因材施教,调整教学方式,做出合理的教学方案,从而提高在线教育水平。