由于现代信息技术及互联网的飞速发展,在线学习方式已成为重点关注的问题。当今社会处于一种快节奏生活,人们可利用在线教育平台,把零散时间加以利用学习,但学习者很难判断自己在学习过程中的学习状态和学习效果,教师也难以深入了解每位学习者的学习行为,不能及时预测学习者的学习行为和学习效果,学习者的学习容易事倍功半。学习者在在线学习平台上学习时,会将其含有学习行为信息的数据留在学习平台上,我们对这些数据进行分析和可视化,找到学习者在学习中存在的隐含问题,为在线平台中的教育工作者提供预警能力,也可以为学习者提供学习上的帮助。本文研究的主要内容为:1)基于收集得到的MOOC学习者的学习数据,利用统计分析方法,从学习者的学习行为特点、学习者类型、以及学习行为与学习成绩之间的关系三个角度进行了分析,进而得到数据背后的有价值信息,为后文建立预测模型奠定基础。例如利用多元线性回归,探究学习行为对学习成绩的影响,分析发现学习者在学习过程中,论坛发帖数量、活跃天数、学习事件数、模块完成比例以及学习章节数,都与学习成绩之间存在正相关性。并探究五种学习行为分别对学习成绩的解释力度。2)研究了决策树单一分类器,梯度提升决策树、随机森林分类器对MOOC用户最终成绩的预测方法。通过对预测模型的评估,分析比较这三种模型的性能。基于三种成绩预测模型分类效果的比较,研究证明集成分类预测模型比单一分类预测模型效果好,并且三种分类模型中,随机森林算法成绩预测模型的预测分类效果最好。本文对实验结果进行了深入分析,得到MOOC学习者的学习行为和成绩的联系。对于MOOC平台教学者,可了解到MOOC学习者的学习特征以及自主学习情况,促进教学改革,在优化教学方案决策上提供帮助;对于MOOC平台的用户,可了解自己学习行为表现的利弊,和在学习过程中的行为表现对学习成绩的影响,渐渐改变学习习惯提升学习效率,优化学习方法。