学生成绩预测是教育数据挖掘中一个重要的研究对象。学生成绩也是学生综合素质评价当中的一项重要因素。因此,通过对学生成绩进行预测,可以及早将学习上存在问题的学生筛选出来。及时对这些学生做出相应的指导,这对教师的日常教学管理工作和学生获得良好的学业成果都非常重要。由于不同地域的学校在教学方式、学生习惯、软硬件水平等的不同,不同学校收集的数据在数据格式、数据种类和数据丰富度上有着明显的差异。学校在学生学业数据收集上的差异,致使相关研究使用的数据有较大的区别。当前学生成绩预测研究较少关注课程知识点数据与成绩间的关联,其适用性和拓展性较窄,不利于相关研究成果的实际运用。同时,现有的研究也较少关注时间序列因素对学生成绩预测的影响。针对上述问题,本文基于课程知识点与学生历史成绩数据集,提出了两种学生成绩预测模型。具体的研究内容如下:（1）利用课程的知识点信息、试卷考点信息和学生的历史考试记录构建学生考试的特征信息。构建能表现学生考试成绩变化趋势的特征字段,使模型能够捕获学生考试成绩的动态变化,增强模型在时序预测中的准确性。（2）基于注意力机制和长短期记忆网络,提出一种Att-LSTM成绩预测模型。注意力机制的引入,可以增强长短期记忆网络模型在大量输入特征数据中筛选出关键信息的能力,重点关注对学生成绩有较大影响的特征信息。实验结果表明,与单一的长短期记忆网络成绩预测模型比较,Att-LSTM模型能够降低各项指标上的误差。同时,本文还分析了学生考试成绩变化趋势特征字段对Att-LSTM模型预测结果的影响,结果表明趋势特征字段能够提升模型预测效果。（3）提出一种基于集成学习Stacking的多模型叠加学生成绩预测模型。该模型中包含两层学习模型,第一层由Light GBM、XGBoost以及Att-LSTM模型组成,第二层由回归算法组成。通过在前述的数据集上进行实验,实验结果分析表明在平均绝对误差、均方根误差和决定系数指标上,基于集成学习Stacking的多模型叠加学生成绩预测模型比单一成绩预测模型有更好的效果。本文研究表明基于课程知识点数据集的学生成绩预测研究具有很好的准确性。同时基于集成学习Stacking的多模型叠加学生成绩预测模型可以降低模型过拟合的风险,增强预测模型的泛化性能。