El aprendizaje en línea se está volviendo gradualmente popular con el continuo desarrollo de la tecnología de Internet y el rápido desarrollo de la informatización educativa. Juega un papel clave en predecir el rendimiento de los estudiantes en el curso basándose en su comportamiento de aprendizaje en línea. Puede optimizar los efectos de la enseñanza y mejorar las estrategias de enseñanza. Los modelos de predicción del rendimiento estudiantil que se construyen con un solo algoritmo actualmente tienen una precisión de predicción limitada. Mientras tanto, la tecnología de mejora de fusión de modelos puede combinar muchos algoritmos en un solo modelo, mejorando así el efecto general del modelo y proporcionando un mejor rendimiento. En este documento, se propone un modelo de fusión por apilamiento basado en RF-CART-XGBoost-LightGBM. La primera capa del modelo utiliza un árbol de decisión (CART), bosque aleatorio, XGBoost y LightGBM como modelos base. La segunda capa utiliza el modelo LightGBM. Utilizamos el conjunto de datos de rendimiento estudiantil de Kalboard360, y se seleccionaron características relacionadas con el comportamiento de aprendizaje en línea como entrada del modelo para el entrenamiento del modelo. Finalmente, empleamos validación cruzada de cinco pliegues para evaluar el rendimiento del modelo. En comparación con los cuatro modelos individuales, los dos modelos de fusión basados en los cuatro modelos individuales muestran un rendimiento significativamente mejor. Las precisiones de predicción del modelo de fusión de bagging y del modelo de fusión por apilamiento son del 83% y 84%, respectivamente. Esto demuestra que el modelo de fusión por apilamiento propuesto tiene un mejor rendimiento, lo que ayuda a mejorar la precisión del modelo de predicción del rendimiento aún más. También proporciona una base efectiva para optimizar los efectos de la enseñanza.