随着互联网和计算机的蓬勃发展以及人们对于信息化促进教学意识的提高,在教育领域,更多的研究者意识到数据分析技术的应用在改善教学和学习方面的潜能,学习分析技术的进步正在以日新月异的速度发展。近些年来,学生预测逐渐成为学习分析中重要的组成部分。已经有诸多的研究者从不同的角度,基于不同的教育环境构建了各种不同的学习预测模型。各种预测模型都有自身的特点,但是在适应性和推广性上也有局限,预测模型限制特定的输入以及参数设置使得模型的推广遇到阻碍。因此,一个具有广泛适应性,可以使教育研究者能够根据所处的自身教育环境的特点,从多种角度进行预测的模型成为一种迫切的需要。本研究在分析现有的学习预测模型的基础上,基于预测模型基本框架,利用神经网络技术和关联规则挖掘技术,提出了基于关联规则挖掘的优化RBF网络预测模型的设计模式及相关的数据预处理方法。首先说明将数值型的数据转化为关联规则可分析的事务数据集型数据的方法;然后阐明了模型的设计模型;再提出了基于关联规则支持度和置信度的RBF神经元数据中心选择优化算法,该算法不同于传统的随机选取神经元数据中心的方法,在已经知道预测数据与结果的关联基础上,将数据中心的选择方法改为有概率的随机选取,这种算法可以加快网络的学习速度,并在一定程度上提高了网络的预测性能。并且针对线下教育数据常常呈现的较为稀疏的特性,基于作者以往的研究,本文提出了丰富稀疏数据的插值法。以此来增加训练数据,达到提高网络训练性能的目的。最后,将此模型应用在两个实际的教育预测中,某中学学生的成绩预测和某本科学生就业情况的预测,采用基线实验的方法比较了优化和未优化的神经网络算法在学习速率和准确性上的差异。也将本文的预测模型和其他主流的预测模型做了对比分析来进一步评价本文的模型。研究结果表明,本文提出的预测模型可以提高模型的适用范围,并提升模型的预测效率和准确率,具有良好的性能和较强的实际意义。并且也为广大教育工作者,提供了在教育领域应用预测模型的新思路。