习题预测任务是指利用学生历史答题数据预测学生未解答习题的正确性,它可以为学生呈现其知识掌握状态,方便学生查漏补缺;习题预测任务也可以帮助教师个性化教学,实现因材施教。本文将学生作答的习题分为“练习习题”与“考试习题”。“练习习题”是指学生平时学习过程中,为提高知识状态,自主练习的习题。“考试习题”是指在学期测验时,所有学生被要求在规定时间内完成考试所解答的习题。在学生自主学习过程中,由于“练习习题”数量众多,这类习题往往呈现出数据稀疏的特点。不同学生作答“练习习题”的交集数量小且同一道“练习习题”可能被多次作答。相反,在学生作答“考试习题”时,不同学生同一时段解答的“考试习题”完全相同,且每道“考试习题”仅能作答一次。因此,针对两类习题的差异,本文分别提出了练习习题和考试习题的习题预测方法,在公开数据集上均呈现良好的预测效果。本文的研究内容如下:（1）针对练习习题,本文提出了一种基于学生行为与习题属性知识追踪的学生练习习题预测算法。该算法不仅充分利用学生各种答题行为特征,还考虑习题属性特征,将学生行为和习题属性两方面信息嵌入动态键值记忆网络,对学生练习过程建模实现习题预测。最后在ASSISTments2009-2010＿updated数据集上获得了较好的结果。（2）针对考试习题,本文提出一种基于学生-习题加权矩阵分解的学生考试习题预测算法。该算法通过认知诊断和数据挖掘得出学生能力与习题难度,作为先验知识融入损失函数。其次应用元素级交替最小二乘优化策略加快更新速度。最后在Frc Sub、Math1和Math2数据集上设计实验,在MAE/RMSE、ACC和时间复杂度上均优于现有模型。（3）针对“新学生-冷启动”问题,本文提出一种基于序列型元学习的增量更新机制。该机制结合“老学生”与“新学生”答题记录提炼“当前知识”,预测“新学生”未来答题情况,同时采用增量更新机制节省重训练时间。最后在Frc Sub、Math1和Math2数据集上实验,实验效果证明了该机制的有效性。综上所述,本文提出的算法能够全面且精准地建模学生解答练习习题与考试习题的知识状态,从而预测未来答题情况,对学生掌握与提高自身知识状态和推动智能教育的发展有着极大的促进作用。