随着国家对于教育方面投入的逐年递增,各大高校也积极响应号召实行了大规模的扩招。学生总数的增加以及生源地规模的扩大使得高校贫困学生的人数日益上升,部分贫困学生无法负担在校的学费及生活开销,所以精准扶贫一直是学生管理部门工作的难点和痛点。高校一般采用学生自主申请与辅导员评议相结合的方式决定资助对象。但在实际过程中学生的家庭情况复杂,评议小组无法准确的做出判断,并且还可能存在主观臆断或审核资料不真实等问题。近些年,各大高校数字化,信息化的发展十分迅速,各类业务系统的使用也为日常工作提供了诸多便利条件。学生通常在这些系统中扮演着重要角色,相应的产生了较为庞大的数据信息。本文旨在利用各业务系统中的学生数据充分挖掘其内在价值,通过其基本信息、消费信息、行为习惯等特征判断经济水平,从而依照结果为学工部门提供辅助决策。因此,如何从各类复杂的数据中提取有价值的信息并转化为可用知识是本文研究工作的重点,总结为以下几个方面:（1）归纳了现今贫困生认定工作的问题,对现有针对该工作所做的研究进行了总结,就其所使用的各类数据挖掘和机器学习相关算法进行了优劣分析。（2）基于高校数据的来源和内容做了针对性的数据清洗工作,主要包括缺失数据插补、错误数据修正以及重要数据校验等。（3）根据实验需求完整归纳了学生经济水平相关特征,提出了适用于本文实验环境的特征选择策略,即使用皮尔森积距相关系数与随机森林方法结合进行特征选择,使用CART决策树分箱进行特征优化。（4）提出了一种SMOTEENN与改进LSTM算法相结合的贫困生认定模型,以此来解决数据不均衡以及传统LSTM缺乏对具有隐含规律性的多维度时间相关特征进行描述的充分性问题。最终实验结果表明,本文所提出的数据预处理、特征选择策略及贫困生认定模型相较于经典方法及大多现有方法能够更准确的进行贫困生判别,其结果对于学工部门具有较好的参考价值,能够更好的为高校贫困生认定工作提供决策支持。