随着大数据与人工智能等新技术的发展,将大数据挖掘技术与教育行业相结合以提高学校智慧管理水平的方法日益受到关注与重视。目前,各大高校校园建设已经从数字化校园建设时代步入智慧校园建设时代。高校开始逐步地对已建设的校园一卡通系统、教务系统等校园应用系统进行整合,并对所采集的各大应用系统的历史数据进行挖掘分析,从中提取隐藏的数据价值,以进一步提升学校的服务管理水平。基于此背景,本文以来自各大应用系统的校园一卡通消费记录、图书借阅记录和学生成绩为数据基础,利用数据挖掘和大数据技术对其展开应用分析研究,相关研究工作涵盖以下几个方面:（1）学生消费行为的聚类分析。首先对所构建的学生行为画像特征库中的月均消费金额、月均金额次数、消费强度、消费频率等聚类特征进行统计分析,初步了解学生消费能力水平以及消费行为规律。然后利用基于Spark的分布式K-means++算法对消费行为特征进行聚类分析,将学生人群聚为三类,并对聚类结果的三类人群进行特征对比分析。实验结果表明利用消费强度和消费频率等聚类特征值来辅助学校资助部门进行开展精准扶贫工作是可行的;同时也为发现“隐性贫困生”,找出“假贫困生”提供了一种解决方案。（2）学生行为的相关性分析和关联规则挖掘分析。利用皮尔逊相关系数和基于Spark的分布式FP-Growth关联规则算法对以校园一卡通消费数据、图书借阅数据和学生成绩数据构造的学生行为特征进行特征间的相关性研究,发现了学生早餐次数和午餐、晚餐次数、成绩有强关联性等其它规律。了解各种行为背后的规律与联系,使得学校能采取更加合理科学的方式对学生进行辅导以及出台更加人性化、多样化、科学合理的实施准则。（3）学生社交关系的研究。通过校园一卡通消费记录构建学生共现网络,采用网络表示学习LINE算法对共现网络提取学生社交关系向量,进而研究学生社交关系强度与其它行为特征间关系,发现学生间关系越亲密其成绩差距越小等规律。同时采用可视化技术展示学生的社交网络,快速地发现网络中游离点,即发现孤独者,为学校管理者提供帮助。（4）构建食堂就餐人数预测模型。利用就餐人数具有时间特性,构建了基于LSTM的就餐人数预测模型,分别采用不同长短的时间段来实现对就餐人数的预测并进行实验对比分析。该实验结果表明基于LSTM就餐人数预测都能达到较好的效果,最低平均绝对误差10.2,平均准确率可达80%,能够较好地帮助学校食堂管理人员提前进行动态地做出相关调整工作。（5）搭建基于Spark的学生行为挖掘分析平台,实现对校园数据的进行快速高效地挖掘分析。同时对挖掘结果采用基于Echarts、Bootstrap和Django的前后端技术进行展示分析,实现学生个人画像、学生群体画像和预警功能模块,为学生和学校管理人员提供动态全面地了解学生的生活、学习等应用服务。本文的主要贡献和创新点如下:（1）利用学生在校产生的行为数据,从生活、学习和社交三个方面设计了学生评价指标,建立学生行为画像特征库并对其进行数据挖掘分析,为客观全面地评价学生提供依据。同时通过分析结果并及时反馈给学校相应管理部门,优化学校管理,提升学校管理决策能力和学生服务质量。（2）针对大多数高校尚未建立长期动态的贫困生资助体系以及缺乏识别孤独学生手段等问题,利用聚类和LINE等机器学习算法对学生消费数据分析并构建学生画像及学生关系网络。同时搭建了基于Spark的学生行为挖掘分析与服务平台,可以自动发现个别学生的异常情况并产生预警。