随着教育信息化的不断发展,教育数据挖掘受到越来越多研究者的关注。利用智能信息技术开展智慧校园建设标志着教育信息化智慧教育时代的开启。高校教育积累了海量的数据,却没有充分利用,很少挖掘数据背后隐藏的价值。针对以上问题,为了从校园大数据中挖掘有用信息,帮助学生提升学习效果,促进学校提高教学管理水平,本文从聚类算法改进,学生行为数据分析,行为数据与成绩数据关联性分析,以及学生成绩预测等方面进行研究。本文主要完成工作如下:（1）多因素改进K-means聚类算法。针对原始K-means聚类算法迭代过程计算复杂、聚类数目需要人为确定、对初始聚类中心敏感、易受孤立点影响等问题,依据优化后的离群点检测算法和最大最小距离思想以及启发式方法提出一种多点因素相结合的改进K-means算法。实验表明,改进算法具有非常好的稳定性,与FECA聚类算法相比在准确率上平均提高9.17%,在迭代次数上平均减少4.16次,在DBI指标上平均减少5.70%,在SC指标上平均提高5.22%。（2）基于聚类的学生行为分析。针对高校学生生活学习行为复杂且多样,不便于分析的问题,构建了学生行为描述指标体系,并使用改进的聚类算法对描述指标中的学生行为数据进行聚类,得到各指标上不同的学生行为类别,分析每个类别学生的行为特点,总结出不同类别学生的行为特征标签。（3）基于Apriori的关联规则挖掘。针对Apriori算法剪枝步操作效率较低且传统关联规则度量指标存在一定局限性的问题,采用方向扫描的方式对Apriori算法剪枝步进行优化,并引入有效度指标优化传统关联规则度量。基于学生行为数据聚类结果,使用优化后的Apriori算法对不同课程成绩之间、行为与成绩之间的规则进行挖掘,并对其间的关联性进行分析。（4）基于Attention-Bi LSTM的学生成绩预测。针对传统成绩预测方法忽略不同行为特征对成绩的影响程度不同的问题,并考虑到不同时期的行为数据对学生成绩的影响程度也不同,将成绩预测问题抽象为时间序列分类问题,并将注意力机制与长短期记忆神经网络相结合,构建了基于Attention-Bi LSTM的成绩预测模型。实验表明,本文提出的预测模型相比传统基准模型中预测效果较好的Logistic Regression模型以及未引入注意力机制的长短期记忆神经网络模型在准确率上分别提升了15.72%、7.21%,有效地改善了预测质量。