随着信息技术的进步,传统的线下教学方式已经不能满足人们的要求,在线学习成为当代学习的主流趋势。“互联网+教育”时代的到来,使人们对在线教育的要求逐步提升,由以静态学习内容呈现为主的一代在线教育,被以服务创新为导向的二代在线教育所取代,同时二代在线教育也更加注重学习的个性化,推动在线学习重心从自主学习向自适应学习迁移,例如,涌现的智能教辅系统和MOOC教育平台等。但就目前的在线教育趋势,在线教育系统都存在或多或少的缺陷,没有重视学习者的个体差异,为学习者提供千篇一律的学习材料和学习活动。在线教育的教育主体不能满足自我个性需求,如何将在线教育与学习者的个体差异相融合是目前亟待解决的问题。学习风格作为描述学习者个体差异的一个重要指标,通过学习者在线学习时产生的大量学习痕迹,收集学习者的行为属性特征,利用技术手段挖掘这些真实行为属性,体现学习者个体特征。因此,基于行为数据识别学习风格对在线自适应学习应用具有重要意义。论文在探讨相关学习理论的基础上,研究了多维度学习风格及其特征,构建了本土化在线行为--学习风格模型,研究并应用了学习风格自动识别的方法。主要研究工作体现以下几点:首先,研究多维度学习风格。通过文献研究法研究了学习风格相关理论,结合国内在线学习的特点,构建包含生理、心理和社会三层次的多维度学习风格。通过对学习风格各维度对应学习行为分析,研究学习行为分类,并结合多维度学习风格,对“移动自主学堂”系统在线学习行为数据进行分类。其次,构建本土化在线行为--学习风格模型。依据多维度学习风格,制定符合本土化的学习风格测量量表,发放量表,并收集处理量表数据。同时,对某中学“移动自主学堂”系统的在线学习行为数据进行处理和转换。通过对在线行为数据与学习风格分类变量进行单因素ANOVE检验分析,最终构建在线行为相关度高的本土化在线行为--学习风格模型。最后,研究在线学习风格自动识别方法。分别利用贝叶斯判别分析算法和k-means聚类分析算法挖掘在线行为数据预测学习者学习风格,预测结果对比量表结果检测各维度识别准确度,最终设计融合贝叶斯判分析算法和k-means聚类分析算法的学习风格自动识别方法,提高预测模型整体的准确度。本研究通过显性和隐性相结合的方法,即量表检测和数据挖掘方法,探索出一种在线的学习风格自动识别方法,为在线学习者个性化学习服务提供指导,从而促使“互联网+教育”时代在线自适应学习的迅猛发展。