自主学习是人们获取知识的一种重要方式。目前,很多高校都搭建了自主学习系统,且随着应用的日渐深入,系统中的学习资源数量与日俱增,使得学生在自主学习过程可能要花费很多时间去搜索要学习的资源。通过对多个学校所构建的自主学习系统的调研可以发现,目前采用的资源推送方法主要包括Top-N推荐法、查询关键字法以及推荐最新资源法,这些方法在一定程度上能够满足学习者的需求,但在个性化推荐方面凸显不足。本文通过引进协同过滤推荐技术以提升自主学习系统的推荐能力,并通过项目评分预测与内容过滤推荐等方法优化推荐算法,以减少协同过滤技术应用中必须面临的数据稀疏与冷启动问题所带来的影响。同时,创建了一个基于用户学习行为的隐藏评分模型,包括学习者的推荐、收藏等反映学习者喜好程度的可量化资源评分,利用这些评分来修正资源评分,从而提升系统的个性化推荐效果。根据本文所提出优化推荐算法,结合中职自主学习系统中学生子系统进行了实现,结果表明,本文所提出的方法在很大程度上能够缓解数据稀疏和冷启动现象对推荐效果带来的影响,提高了个性化推荐的效率和精度。