在线教育作为新型的教育方式给人们的生活和学习带来了很多的便利。通过在线教育,人们可以随时随地学习知识,不仅可以共享优秀的教学资源,还可以节省时间,提高学习效率。通过对在线教育学生知识水平进行分析研究,可以准确地评估学生的知识水平以及对提高在线教育学生的学习能力提供指导。本文设计了一种更具客观性的在线教育学生知识水平的相关性分析方法,对在线教育学生知识水平进行相关性分析。通过运用皮尔逊相关系数算法、斯皮尔曼等级相关系数算法、肯德尔等级相关系数算法以及改进的最大信息系数算法对在线教育学生知识水平与学生数据的其他特征进行相关系数计算,根据计算的相关系数大小进行相关程度映射,接着对四种算法的相关程度通过多数投票优先以及均值评估辅助的原则进行最终的相关程度结果评估,最后通过评估结果分析影响在线教育学生知识水平的相关因素。实验表明:设计的在线教育学生知识水平的相关性分析方法较单一的相关系数算法对学生知识水平进行相关性分析更具客观性;在线教育学生知识水平与学习成绩,学生对学习材料的交互活动类型、学习时间、学习材料的重复数以及学生的最高教育有关,而与学生的性别、年龄段、是否残疾无关。为了更加准确地对学生知识水平进行预测,本文构建了三种针对在线教育学生知识水平的预测模型,分别是基于朴素贝叶斯的学生知识水平预测模型、基于k-最近邻的学生知识水平预测模型和基于神经网络的学生知识水平预测模型。然后分别设计了实验,通过实验结果对比,发现神经网络分类算法的预测结果明显优于朴素贝叶斯分类算法和k-最近邻分类算法的预测结果。最后,通过对在线教育学生知识水平的研究结果的分析,为教学策略提供了参考性意见,从而为学生知识水平的提高提供有效的指导,为在线教育的发展起到积极的推动作用。