现代通信技术、Internet技术和多媒体技术的飞速发展，使学习者可以通过各种方式获取形式多样的学习资源。但随之而来的问题是：如何在众多资源中获取学习者自身所需要的知识，以完成课程的系统学习？因此，课程生成技术和方法是e-learning领域中一个非常重要的研究方向。自1980年代开始，在智能导学、人工智能与教育、自适应超媒体与基于web的教学等领域中开始有一些研究。与此同时个性化学习与网络学习环境中的个性化服务也相应得到研究，相关研究涉及信息检索、数据挖掘、人工智能、计算机通信及网络等众多的信息科学领域。本论文主要围绕个性化课程生成技术的研究和实现展开，探索解决大规模网络教育过程中实现学习内容的个性化。旨在帮助专业教师实现课程的自动生成，以此解决大规模网络用户在正规学习过程中对课程的需求，通过对学习过程中个性特征动态数据捕捉和分析，实现个性化学习内容的进化，以此解决用户的动态个性化需求。整个系统将课程生成按照学习过程分两个阶段实现，首先在准备学习课程前，面向专业教师对课程整体教学计划的分析，从海量的知识库中抽取基于具体课程的知识体系，并对目标学习者通过前测模块获取学习前的个性知识特征，通过分层推荐算法为学习者实现个性化的初始课程；在学习过程中，动态更新学习者的个性特征，并应用遗传算法，为其生成一系列个性化课程内容，直到最终完成课程的学习目标。本论文的学术贡献和创新点主要体现在如下几个方面：1.提出了新颖的在大规模正规学习中的个性化课程生成与进化模型，将个性化学习通过一系列具体的个性化课程内容的生成和动态进化来实现。结合知识状态图的相关理论和概念，对课程生成相关的概念模型做了形式化的描述，提出了在大规模正规学习中的个性化课程生成及进化模型，通过基于推荐算法的个性化课程生成和基于遗传算法的个性化课程进化两部分，实现了真正意义上全过程的个性化学习，为解决大规模网络远程学习环境下的个性化学习提供了一个具有良好通用型和扩展性的框架模型。2.提出了基于多维特征向量的分层推荐算法，以此来实现个性化课程生成（PCG-LRS）。通过基于内容的推荐和基于网络结构的推荐等多种推荐的混合应用，提出基于多维特征向量的分层推荐算法的个性化课程生成模型（PCG-LRS），引入专业教师的教学计划作为初始课程生成的依据，获取课程的知识库。通过前测获取学生初始知识特征，实现初始的个性化课程生成。该方法既能帮助教师制定课程整体教学计划，实现课程的自动生成，又满足了学生个体知识和能力特征对课程学习的需求。此外，分层实现的推荐算法将大规模的知识库、资源库的推荐分布在不同层次实现。个性化推荐算法的分步实现，有效实现了降维，降低计算量，提高课程生成算法实现的效率。3.提出了基于遗传算法的个性化课程进化算法（PCE-GA），实现整个学习过程中课程的动态更新过程。为了在多目标问题中快速收敛得到一个最优解，在考虑概念图的有向无环性的同时，结合拓扑排序算法，提出基于分层拓扑排序算法生成初始解。在此算法框架下，目标用户模型的动态更新、以及课程内容的进化，为解决网络学习环境中个性化课程内容进化提供了一种具有良好通用型和扩展性的框架。4.提出一种能够较好地适合网络学习环境下个性化学习需求的用户档案模型。将向量空间模型引入上述算法中，以知识状态图的建立为基础，构建个性化学习需求的用户档案模型。由于个性化推荐在课程生成过程表现为课程知识结构和学习对象推荐，是基于学习者学习特征的，因此在用户模型中不是兴趣结点，而是学习特征结点，包括知识水平、能力水平、目标特征，分别与概念模型及学习对象模型中特征向量匹配。该模型在上述算法的实现中起到了至关重要的作用。5.基于上述研究结果，在E-learning领域中实现了基于PCG-LRS和PCE-GA的个性化课程自动生成与进化系统。针对大规模的网络教学，为教师提供了基于教学计划的课程自动生成系统，包括知识结构图的构建、学习活动的添加、结构化的课程生成等功能。并将分层推荐算法和遗传算法应用于课程生成与进化过程，使得学生的学习内容在学习过程中随着其知识状态的变化而不断进化，有效地促进了学生的学习兴趣，提高了学习效率和效果。本论文的研究得到了欧盟FP7框架项目的支持，项目批准号：231396“Responsive OpenLearning Environment（ROLE）” Grant agreement no.231396