知识追踪旨在动态评估学生的知识掌握状态，其过程受学习者知识结构与认知交互变化的双重影响。现有方法存在双重局限：在静态层面，将学生-问题-知识点的异质交互简化为同质化处理，导致高阶依赖关系难以捕捉；在动态层面，将连续演化的知识状态简化为离散的二元跳变，导致与真实学习过程的动态反馈脱节。针对以上困境，提出了一种基于多视图对比学习的知识追踪模型(multi-view contrastive learning for knowledge tracing，MCLKT)。首先，该模型通过对异构图和同构图的联合建模，分别捕捉学生、问题及知识点间的多维交互关系，全面表征知识状态的动态演化。其次，设计二部图与超图分别提取问题权重和学生熟练度，显式捕捉答题行为中的高阶依赖关系。最后，创新性地定义问题模式子图Q-Pattern来建模局部子图及其相互作用，通过跨视图对比损失最大化结构一致性。在实验阶段，该模型在三个公开数据集上与多个基线模型进行了比较，在评估指标AUC、ACC上分别提高了0.69%~1.58%和0.21%~1.78%、RMSE分别降低了1.17%~1.75%，这些结果充分验证了多视图对比学习方法对于增强知识追踪模型性能的有效性。