个性化学习旨在根据学习者的个体差异来量身定制符合其认知水平的学习资源和学习计划,以针对性地弥补现有知识体系中存在的问题,提高学习效率。近年来,随着大数据技术在各领域应用的逐渐普及化,教育领域积累了越来越多的学习过程性数据,使得基于学习者知识结构的个性化学习成为可能。然而,如何根据这些学习过程性数据来诊断学习者的知识状态（即认知诊断）,促进学习者个性化和有针对性的学习,已成为教育领域的研究热点。当前,认知诊断已有三十几年的发展历史,其模型已发展到百余种,在一定程度上解决了学习者知识结构诊断问题,但此领域仍面临着认知过程的复杂性和学习状态易变性等挑战。为此,本文系统性地开展了面向学习者认知过程的认知诊断方法及在教育里的应用研究。具体来说,针对学习者认知过程的复杂性,提出融合多维特征的认知诊断模型,探索其多层认知因素间的影响机理;在认知诊断模型的指导下,针对单次和多次测评场景中学习状态的易变性,分别提出融合在线交互特征的增强认知诊断方法、基于学习和遗忘因素的动态认知诊断方法,以及面向测评过程的动态认知诊断方法。第一,构建了融合多维特征的认知诊断模型。针对学习者认知过程的复杂性,提出由现象到本质的分层认知诊断模型,包括由外在特征和认知规律两层架构。首先,基于教育学理论,深入分析面向测评过程的学习者与项目交互的外在特征,将其分为知识、交互、行为和时序四个方面。其次,结合学习理论,探索多维外部特征与认知规律之间的复杂关联,提出以认知规律为基础的诊断模型,最终实现学习者未来表现的预测和知识掌握程度的诊断。第二,提出了融合在线交互特征的增强认知诊断方法（RT-CDM）。针对传统认知诊断中有限的交互特征而导致的诊断结果片面性问题,本文引入了以反应时间为代表的交互特征,考虑了速度对学习者知识状态的影响。基于“速度-精度”交换准则,通过连续的潜在特征函数和反应时间函数分别从速度和精度两个方面来刻画学习者,并采用MCMC算法进行参数估计。为了评估方法的性能,我们将其应用于PISA2015数学数据集,并在理想条件下进行了模拟研究。实验结果表明,加入反应时间可以提高方法的稳定性和准确性。第三,提出了基于学习和遗忘因素的动态认知诊断方法（CF-DKD）。针对时序动态认知诊断中缺乏对认知规律关注的问题,本研究基于分层认知诊断模型,在动态认知诊断中考虑学习者的认知规律来建模。鉴于中国测评真实场景中时间间隔不等距、数据稀疏等特点,CF-DKD将以学习和遗忘等内部认知规律与键值记忆网络相结合,存储潜在项目信息并捕获长期时间特征,通过两个门机制来减弱知识记忆和增强重复知识记忆。在K-12教育中四个真实数据集上进行了大量实验和可视化,表明该方法可以有效地处理时间序列数据,其预测结果比现有的基线模型更好、更稳定。第四,提出了面向测评过程的动态认知诊断方法（TDCD）。针对动态认知诊断方法中缺乏对时间序列数据的完整刻画导致的诊断不稳定问题,本研究面向学习者测评过程,从时间单元内和时间单元间来划分外在特征,并根据速度、遗忘和学习等内部认知规律机理,借助灵活的注意力机制来模拟学习者的知识状态的演变,实现知识状态的动态诊断。最后,通过在两个真实大规模数据集上的大量实验验证了模型的良好性能,并从不同角度验证认知规律对学习者知识状态的影响。第五,设计基于认知诊断的学习预警仪表盘及实证研究。为了探索认知诊断的方法如何在教育系统中应用以及对学习者的影响,通过“反馈-矫正”概念模型,设计了基于认知诊断的学习预警仪表盘系统并在真实的教学环境中开展实验研究。最后,以八年级数学课程为研究对象,通过比较采用学习预警仪表盘学习模式的实验班与采用传统单元测评学习模式的对照班的学习表现,来评估所提出的基于认知诊断的学习预警仪表盘系统的有效性。实验结果表明:（1）采用基于认知诊断的学习预警仪表盘方法显著提高了学习者的学习成绩,尤其是对低学业水平的同学效果更加显著。（2）学习仪表盘能显著提高学习者的学习策略。综上,融合多维特征的认知诊断模型与方法跨越教育测量、计算机和心理学等多个领域,是促进个性化学习的关键技术之一。本研究引入认知规律来对学习者的测评过程建模,构建了融合多维特征的认知诊断模型,并以此为基础,进行多种认知诊断方法的研究,实现了学习者知识状态的精准诊断。