随着教育相关行业的信息化建设进程加速推进,各种在线学习平台如网络学习空间、MOOCs等层出不穷,个性化学习辅助服务成为各种在线学习平台的关注重点,学习资源智能推送、学习路径规划和学情分析等个性化教学应用服务不可或缺。这些功能的实现需要获取学生的学习习惯、学习能力以及学生认知状态等相关数据,其中学习习惯和学习能力相关的数据需要依靠日常学习行为记录以及分析,能够帮助解决学生“怎么学”的问题。而针对学生“学什么”的问题进行解决则需要依赖学生的知识状态,这便需要依赖具有认知诊断功能的测验手段。常见的计算机测验方法普遍都是以经典测试理论为依据,仅利用计算机代替书写工具完成传统纸笔测试,依然是固定的题目、固定的时长以及固定的顺序,很少注意到测试者的个人状态,难以满足个性化学习的需求,因此计算机自适应测试技术便慢慢发展起来。如今基于项目反应理论的自适应测试已经很成熟,但由于其目的是对被测者的能力进行考察,对被测者的知识状态重视不足,因此以获取学生知识状态为目的的计算机自适应认知诊断测试方法走入众多专家学者眼中。具有诊断能力的测量方法不仅能够考察学生的能力水平,而且能够考察出学生的认知结构状态,这些测试结果能够为在线学习平台的资源推送或个性化的学习辅导等教育服务给予重要的数据支撑。认知诊断自适应测试技术而且面临着题库构建形式单一、选题方法复杂、测试终止方法不完善等问题,因此尚未广泛普及。其中选题方法作为自适应测试系统的核心,如何在测试过程中能够高效且合理的进行试题的选择便成为研究重点。常见的选题方法如基于KL信息量选题法、基于知识空间理论选题法等选题计算过程复杂,若题库以及带测试知识域的认知属性量大、关系复杂,则计算量将格外巨大,难以应用。本文第三章基于知识空间理论基础并结合工程状态搜索技术进行改进尝试,提出基于项目属性支撑度的题库分层选题策略,其核心思想是先将题库中的试题按照其所包含的知识属性数量以及知识属性之间的结构关系将题库进行分层,然后根据被测者的实际项目反应状态动态的调整测试题库。项目的选择根据被测者的临时知识状态,以项目属性支撑度最高为优进行选择,尽可能的利用最少的试题覆盖尽量大的属性范围,这样可以在保证测试结果准确的情况下有效提高测试效率。本文第四章进行测试系统开发以进行应用于在线学习平台的自适应测试系统可行性验证。