近年来,互联网发展迅速,在线教育越来越受到人们重视,尤其是一场突如其来的疫情更加凸显了在线教育的重要性。在线教育是对传统学习模式的一次革新,学习者通过网络可以接触众多学习资源。但随着在线教育的蓬勃发展,学习资源过载的问题也展现出来,学习者面对海量且复杂的线上学习资源无从下手。因此,实现学习资源个性化推荐显得尤为重要。由于学习资源的特殊性,通用的推荐方法在学习资源推荐中存在性能低下、准确度较低等问题,导致用户体验不佳,且目前的在线教育平台并没有对用户构建用户画像从而个性化推荐学习资源。基于以上背景,本文阐述了学习资源个性化推荐的必要性,对国内外学者在学习资源推荐领域展开的研究进行了调研与学习;之后从学习资源推荐平台的需求出发,对平台的架构以及算法层面的设计进行了详细分析,提出融合用户画像的学习资源推荐算法。本文以高校学生为研究对象,用户画像代表了该学生的知识能力结构、兴趣偏好,在学习资源推荐中起到了关键作用;根据用户群体的特点以及学习资源的特征,从三种角度实现并改进了相关推荐算法;之后融合用户画像,计算用户与资源之间的契合度,使得推荐结果满足用户的学习需求。论文的主要工作有以下方面:1、利用爬虫抓取某在线教育网站的用户数据、课程数据组成实验数据集,并挖掘用户个人属性、历史行为以及专业信息,构建用户画像,利用[（标签:权重）]组成的向量空间对用户画像进行表示,用来标识用户的知识结构、兴趣偏好。2、从三种角度对推荐算法进行实现与改进,结合多角度的推荐算法输出较为准确的推荐候选集。本文对基于用户的协同过滤算法的改进在于引入课程门类占比信息,提高用户主要课程类别在相似度计算中的权重;对Apriori关联规则算法的改进在于利用hash散列表解决Apriori关联规则算法存在的频繁扫描数据库的问题;并分析用户所属专业,挖掘该专业课程特征,基于专业特点产生推荐。3、将用户画像与学习资源、推荐算法进行融合,通过比较资源特征与用户特征实现用户与学习资源之间契合度的计算方法,并利用多角度推荐算法从海量资源中选出候选集,计算候选集中的资源与用户画像的契合度,将契合度最高的N个项目推荐给用户,与计算所有资源与用户的契合度相比,减少了运算量、提高推荐准确率。4、设计并实现了基于Django开发的学习资源推荐平台。对平台的需求、架构以及各功能模块进行了详细分析,并将融合用户画像的学习资源推荐算法嵌入到平台中,从功能和性能两方面对平台进行了测试。