近年来,国内外高校普遍开展了以大数据和物联网为基础的“智慧校园”建设,构建起以多种应用服务系统为载体,实现校园内工作、学习、生活信息化一体化的环境。以校园一卡通系统、校园网为代表的校园基础设施在为校内师生提供便利服务的同时,也记录了学生在生活学习活动中产生的海量行为数据。大量数据自产生起就处于堆积浪费状态,如何应用数据挖掘技术发挥学生行为数据潜在价值,精准开展学生管理工作,提高教育教学质量,是高校相关管理部门革新工作所面临的一个重要课题。本文以“基于校园多源融合数据的大学生行为关联分析”课题为背景,针对高校学生管理领域数据分析需求,主要完成了以下研究工作:(1)对大学生校园行为数据分析技术现状进行了调查研究与分析。从某高校的一卡通数据、学生成绩数据、图书借阅数据中选取了某专业2013级和2016级两个年级的学生数据共380045条进行了清洗、集成和转换,完成了数据预处理工作。(2)构建了基于聚类分析的学生行为分类模型,并提出用餐消费水平指标、规律性指标、勤奋度指标。以簇内误差平方和确定了最佳分类数目后,在各个指标下使用k-means聚类算法对学生进行划分。聚类结果可以帮助学生管理工作者进一步掌握学生情况,为提高教育管理效率分类指导学生提供决策支持。(3)将校园行为数据中的行为指标与成绩数据、学习准备与结果数据集成,使用Apriori算法进行关联分析,得到行为与成绩之间、学习准备与结果之间的关联规则,结果表明经常按时用早餐、生活规律、沐浴和打开水频次处于本专业学生中间水平的同学成绩较优秀。在线平台学习的学生修课前学历为高中及以下结果为不及格或退课的概率较大。使用Eclat算法对在线学习交互数据进行关联分析,结果表明该平台学生学习模式较为单一,部分功能利用率较低。学生管理工作者可据此精准掌握学生情况,引导学生养成健康的生活习惯,提高工作学习效率。在线学习平台各相关方可依据得出的规则,优化系统平台,开展个性化服务,设计教学内容。