随着网络教育的逐渐兴起,教育数据挖掘旨在从网络上记录的大量数据中挖掘有价值的信息并帮助教育者制定更多人性化的教育决策。其中,利用数据挖掘技术预测学生的学业成绩并对存在学业风险的学生进行早期预警是最为基本且重要的环节。然而与之相关的研究还存在一些不足。现有的学业预警研究通常从单一课程数据源中获取学生学习行为的相关数据进行预测,忽略了学生整体的在线行为模式和外部环境特征对学生学业的影响。其次,由于通常存在学生群体中只包含极少数风险学生的情况,而已有风险学生检测模型对于这种不平衡数据情况研究较少。此外,虽然越来越多的深度模型被用于学业预警,但无法对所做出的预测进行合理解释和归因,因而不利于最终用户的理解和应用。本课题主要针对上述现有研究中存在的缺陷和不足进行了研究,主要的工作和创新点如下:（1）利用多源数据进行学生行为建模,提出了基于深度网络的序列化预测框架（Sequential Prediction based on Deep Network,SPDN）。该框架充分利用了课程在线平台记录和校园网络日志两类数据源,提取学生的在线学习行为和日常用网模式。通过多通道卷积网络结构合理融合多源数据并自动提取行为特征,并结合学生静态特征,利用长短期记忆网络对学生整体的在线行为进行建模,最终预测学生存在学业风险的概率。该模型在真实的高校课程数据集上进行实验,实验结果表明本课题提出的算法性能比基线对比算法表现更好。（2）针对在不平衡数据中检测极少数存在学业风险的学生的任务,提出了基于对抗网络的序列单分类模型（One-Class Sequence Classification with Adversarial Network,OC-SCAN）。该模型首先利用基于LSTM的自编码器从学生原始的在线行为序列中学习学生的表示形式。并单独利用非风险学生样本训练与常规GAN不同的boundary GAN模型的判别器来检测风险学生。在此基础上,提出了独立训练多个不同结构的自编码器优化集成框架en-OC-SCAN,进一步提高模型准确性和稳定性。通过在真实的高校课程数据集上进行实验,验证了所提算法在不平衡数据集中的性能高于其它单分类和二分类算法。（3）针对提高深度模型的可解释性并对风险学生进行归因分析的任务,提出了基于记忆网络的可解释模型（Interpretable Memory Network,IMNet）。该模型通过记忆网络模块捕获长期的行为模式,并且通过注意力机制发现与预测决策最相关的子序列段,使模型判断依据易被最终用户理解。通过在真实的高校课程数据上的实验表明,该方法可以有效预测有学业风险的学生并发现造成风险的潜在因素。