随着“互联网+教育”的全民普及,慕课(大规模在线开放课程)的发展如火如茶,为人们接受在线教育提供了一个广阔的平台,而国内慕课的实践研究远早于理论研究,众多慕课平台纷纷涌现。慕课用户的知识背景和学习动机呈多样性分布,并在学习的过程中产生丰富的学习行为数据,为了探索蕴含在数据中的规律,针对不同的用户群体提供个性化的环境和学习指导,分析和研究用户的行为数据是十分有必要的。聚类分析是一种常用的探索性数据挖掘方法,是无监督机器学习的典型应用,不仅可以用于分类数据的多元统计分析,也可以为其他算法提供预处理。在研究和归纳用户行为分析方法的基础上,本文选择K-Means算法进行聚类分析,通过进行算法的优化和构建成绩预测模型,成功实现了慕课用户的成绩预测,并构建成绩预测模块,实现成绩预测值的可视化展示。本文的主要研究工作有:(1)基于慕课用户行为数据,对用户的学习行为数据的基本信息、用户类型、影响成绩的因素等三个方面进行深入地分析和探索,得出一些相关结论。(2)本文利用特征选择和初始聚类中心的优化选取算法,提出了一种K-Means特征选择算法,并提出一个均衡判别函数平衡类簇内差异和类簇间差异。(3)将K-Means特征选择算法得到的聚类中心作为神经网络的中心,设置预测模型的参数和输入输出变量,选择RBF神经网络构建一个成绩预测模型,并动态更新该模型,以更为准确地实现成绩的预测。本文设计了仿真实验验证算法的高效性,对比K-Means特征选择算法和基于密度的K-Means算法,证明了本文算法性能的改进。同时,使用仿真实验证明了成绩预测模型对慕课用户的成绩具有较高的预测精度。最后利用预测模型设计和实现了一个成绩预测模块,可以直观地输出用户的成绩预测值,并对成绩较低的用户进行预警、建议和辅导。