知识追踪任务是根据学生历史学习行为来追踪学生的知识状态,以预测学生在未来交互中会如何表现。通过对学生知识状态建模,可以为学生提供个性化的学习指导,帮助学生摆脱题海战术,同时也有助于教师更好地了解学生的学习水平,并相应地调整教学方案。本文以学生答题序列数据为研究对象,主要针对深度知识追踪开展如下相关研究工作:（1）针对现有的深度知识追踪方法没有全面考虑学生答题行为特征对学生学习过程的影响这一问题,提出一种基于特征提取的深度知识追踪模型（DKT-LDA）。该模型采用线性判别分析方法（Linear Discriminant Analysis,LDA）自动提取学生多种答题行为特征中的潜在信息并习得它们的表示,在充分融合了每个特征对学生学习表现的影响同时降低了特征维度。该模型在ASSISTments09数据集上执行知识追踪任务获得了80.92%的AUC值,取得了优于当前主流知识追踪算法的性能。（2）针对现有的深度知识追踪方法没有考虑到学生能力和习题难度对学生学习过程的影响这一问题,提出一种基于学生能力和习题难度融合注意力机制的深度知识追踪模型（DARNNA）。该模型利用学生的答题记录,量化学生能力和习题难度,再通过神经网络习得其嵌入表示,接着与答题记录组合来重构模型输入,最后融入注意力机制,使其在预测时更多地关注具有相似学生能力和习题难度的交互记录。该模型在ASSISTments09和ASSISTments15数据集上分别获得了83.71%和78.55%的AUC值,该结果均优于现有公开发表的知识追踪模型。（3）针对现有深度知识追踪方法没有考虑到做题过程中存在失误和猜测的情况的问题,提出一种结合失误率和猜测率的深度知识追踪模型（DKT-GS）。该模型首先对失误率和猜测率进行定义并计算,然后将其融入深度知识追踪模型的隐藏层,对学生真实学习状态进行建模,使其能够更好的预测学生在下一道题上的表现。该模型在ASSISTments09和ASSISTments15数据集上分别获得了85.11%和79.17%的AUC值,该结果均优于现有先进的知识追踪模型。综上所述,本文提出的模型能更准确地对学生知识状态进行建模,同时提高预测学生表现的精度,促进了学生个性化发展,有效避免信息迷航与过载的情况。