伴随着互联网的发展和普及,以MOOC为代表的在线学习已成为一种新型的学习方式。在新冠肺炎疫情期间实施的“停课不停学”活动,进一步推动了 MOOC学习的应用广度和深度。虽然MOOC学习具有不受时间空间限制、受众门槛低、学习资源丰富等优势,但也存在学习者被淹没在海量的资源中、难以找到符合自身需求的学习资源以及退课率高等诸多问题,所以如何为在线学习者提供个性化的资源服务是当前在线学习领域亟需解决的问题。通过对在线学习行为数据的分析、挖掘,有助于了解学习者的学习过程,掌握学习者的学习状态,从而为学习者提供个性化的服务。在学习行为研究方面,现有研究方法大多是采用学习风格量表这一较为主观的方式来挖掘学习者特征,存在准确度不高等问题。在个性化资源推荐研究方面,基于相似度的推荐方法通常只考虑相似学习者或相似资源,忽略了学习者的知识掌握状态;此外,在对学习者的认知水平进行建模时,往往忽略了具有相似特征学习者的影响。针对当前研究的不足,本文提出一种既考虑学习者知识掌握状态又考虑相似学习者的方法,即使用深度知识追踪模型跟踪学习者的知识状态变化,从而得到学习者的认知状态特征,并从学习行为数据中挖掘学习者的学习目标和学习态度特征,结合这些特征对学习者建模,采用协同过滤方法完成基于相似学习者的个性化资源推荐任务。本文主要研究内容包括:（1）根据学习者答题数据,采用深度知识追踪模型跟踪学习者的学习过程,预测学习者对于其他题目的答题表现,进而获得学习者的认知状态特征。（2）对学习者浏览课程视频行为数据进行分析和挖掘,根据视频标题和字幕信息,提取视频主要包含的知识点,从而确定学习者的学习目标;根据学习者点击视频次数以及观看视频时长数据对学习者的学习态度进行分类。随着时间的推移不断更新学习者的认知状态、学习目标和学习态度,根据这三个维度的特征建立动态的学习者模型。（3）使用协同过滤、相似度计算等方法,实现基于相似学习者的个性化视频资源推荐,并对推荐结果进行分析。