“智慧校园”是校园发展的必然趋势,从分散的信息化数据中挖掘出有效信息,促进校园活动的发展,是十分重要的。学生成绩是衡量学生个人能力和教师教学水平的最重要因素,提前预测学生课程成绩能够对学生和教师起到提前预警、及时纠正的作用,学生成绩预测也是教育数据挖掘中最重要的一个方向。但是现有的学生成绩预测研究中,大部分研究的数据量普遍较少,研究方向不适用我国教育情况,同时传统教育数据挖掘研究里对学生成绩的预测很少考虑到课程之间隐含的关联。针对以上问题,本文通过学生的相关数据信息,研究预测学生的后续成绩。研究的数据来源于浙江大学城市学院14级-17级学生个人统计数据和学生成绩单,基于这些数据,本文经过国内外现状研究和实验,提出了两个预测学生成绩的回归模型和一个融合模型。首先提出了基于学生画像特征库的CART回归树的学生成绩预测模型,使用学生的成绩数据和个人信息数据进行学生成绩的预测。在建模过程中,结合数据集中的学生人口统计数据,运用特征工程来对学生的特征进行分析,找出有用信息建立“学生画像”特征库,使用CART回归树模型建立基于学生画像的成绩预测模型。根据已有数据进行的实验证明了构建的学生画像特征库能够有效描述学生的特征。然后提出了基于课程相似度的混合多权值Slope-one的成绩预测模型,通过课程名的语义相似度,找出课程与课程之间的相似关系,并结合多权值的加权Slope-one协同过滤算法,在数据有限时,从学生的历史成绩着手预测学生的后续课程成绩,通过实验验证了其有效性。最后本文融合了前面所提出的两种模型,将学生个人特质和课程之间的关联性结合考虑,进行模型的加权平均融合,提出了基于学生画像和课程相似度的学生成绩预测模型,并在上述实验数据上进行了模型性能的评估,实验证明融合模型性能较好,能够进一步提升预测的准确性。