人工智能的蓬勃发展推动着教育评价改革的现代化进程,将机器学习等算法应用于教育评价领域,以解决现阶段教育评价中教师不能准确感知学生对课程的理解程度、学生无法自测对知识的掌握程度等潜在问题。学习成绩作为教育评价最基本的一种方式,近年来多项研究致力于提升预测学习成绩的精度,以达到更好的评估效果,但评估模型的可解释性不强。学生的综合能力评估是教育评价中的关键环节,多数研究通过采集学习相关数据集对学生进行综合能力评估,忽略了思想道德、身心健康、实践能力等维度的信息,且大多数学校对学生的评估结果主要基于成绩排名显示,忽略了学生在日常生活中的过程性表现,最终得到的评价结果不适用于当前综合型人才培养体系。为更准确地评价学生综合素质,培养更适应社会需求的全能型学生,本文针对于上述研究存在的问题,开展了以下三个方面的研究:（1）针对评估模型可解释性不强的问题,提出了一种融合Light GBM与SHAP的学习成绩评估方法。通过使用Light GBM算法构建学生成绩等级评估模型,对比现有评估模型准确率提高了2.2%,并采用SHAP对构建完成的学生成绩等级评估模型进行解释分析,在提升评估准确率的同时增强了模型的可解释性。（2）针对现有学生综合能力水平评估数据来源单一、评估不准确的问题,提出了一种基于IAHP-BP神经网络的大学生综合能力评估模型。采用IAHP算法确定了学生综合能力多个维度的评估指标,并结合BP神经网络评估综合能力,结合了定性和定量分析,相对误差限制在2%以下,使得评估结果更加可靠。（3）开发了一个面向过程的学生综合能力评估系统。通过对学生过程性数据的统计分析,可以动态查看学生近期学习生活表现。系统将学生评估结果可视化多维展示,学生和老师均可以从可视化结果中及时了解当前学习情况及学习质量,从而探索学生学习、工作等路径优选策略。