随着电子商务的迅猛发展,网络资源信息也在不断地膨胀。人们在享受网络提供方便的同时,也承受着众多资源信息同时呈现的压力。为了更有效的提高网络信息服务的质量,个性化推荐系统应运而生,协同过滤技术作为当前主流的推荐技术得到了人们广泛的关注与研究。但是,目前个性化推荐技术尚未成熟,仍然面临着一系列的挑战。本文对个性化推荐系统以及相关推荐技术进行了较深入的比较研究,针对协同过滤技术中存在的稀疏性和可扩展性问题,在分析了现有的改进方法基础上,提出了新的改进方案。为了降低评分数据集的稀疏性问题,采用Slope One方法进行数据填充。面对填充后的高维评分数据,引入了PCA-SOM技术,通过PCA降维技术保证了评分数据的主要信息,再次进行SOM聚类缩小了最近邻的搜索范围。整个改进算法的过程采用离线模型进行,降低了在线推荐的时间复杂度,有效的改善了系统的可扩展性问题。通过在标准数据集上的实验,结果显示相较于传统的协同过滤算法,改进的算法具有更高的预测精度,在一定程度上提高了系统的推荐质量。最后,在对网站教学资源的个性化服务需求进行详细分析的基础上,进行了个性化教学资源推荐系统的设计,根据网络教学资源的特点给出了主要的推荐功能模块及推荐流程。将改进的协同过滤技术应用到教学资源推荐平台,有效的满足了用户对个性化推荐服务的需求。