智适应学习系统通过知识追踪建立学习者模型,并结合领域知识模型和测评算法,对学习者掌握知识点的情况进行有效测评及能力预测,以达到知识追踪效果,从而个性化学习服务以提高学习效率,被称为人工智能时代的教育革命。针对智适应学习系统中,缺乏充足学习者数据所导致的深度知识追踪冷启动问题,和教研经验对知识内容的掌握尚未充分融入到测评与推荐算法中的问题,本文利用深度学习和图关联规则算法设计思想,结合已有的深度知识追踪模型,提出了图规则-深度知识追踪(Graph Rule-Deep Knowledge Tracing,GR-DKT)模型,对学习者进行知识追踪。GR-DKT针对领域知识的结构特征,引入了用于冷启动阶段的项目反应理论(Item Response Theory,IRT)模型,构建出了基于知识结构树和基于知识图谱的领域知识模型,然后提出了基于知识图谱的关联规则进行动态测评与推荐的图规则(Graph Rule,GR)冷启动算法,并且融入了基于深度学习的DKT-plus深度知识追踪学习者模型以测评学习者的长期表现能力。GR-DKT根据时间维度进行多模型融合,根据数据维度和评估效果维度进行实际应用场景下的模型选择,以达到更好的测评与知识追踪效果。本文还设计并实现了基于GR-DKT知识追踪模型的智适应学习系统的整体框架、工作流程、功能模块和核心模型与算法。从学习者体验与教研经验两个角度出发,针对在线教育的实际应用场景,利用软件工程思想对智适应学习系统进行了需求分析、概要设计、详细设计、系统实现与系统测试。本文最后利用了行业标准的真实数据和智适应学习系统中课程案例采集到的真实数据,对基于GR-DKT的智适应学习系统进行了双重数据的功能验证与效果评估。经过实证分析与系统测试,本文设计的智适应学习系统符合预期效果,可稳定上线应用。