随着技术的发展与应用，教育者对于智能教学系统的研究日益提上日程，其中为提高智能化水平，以人工智能技术应用最为突出。本项研究预期通过对于智能系统运作原理的探讨；通过分析系统构建中的关键环节以及传统系统的不足之处；通过介绍数据挖掘技术的原理，探讨数据挖掘技术在智能系统中的应用，并在此基础上，提出了构建以学生模型为中心的系统结构图及基本策略和方法。 本项研究的主要内容分为四个部分。 第一部分：前言。通过对国内外智能教学系统(ITS)的发展情况回顾，了解到目前技术发展水平，同时也发现，目前多数基于网络的教学系统，尽管使用了ITS设计思想和开发模式，但也普遍存在智能程度低的问题。在基于学生信息库、知识库、教学策略库的数据库技术所支持的网络教学系统中，其数据库优化时也存在着对学生信息关注和挖掘不够的问题。同时基于网络的学生活动中对学生所产生学习行为的Web记录等一些潜在的信息挖掘，还存在比较大的研究空间。基此而提出了本项研究问题。 第二部分：智能教学系统研究。界定文章中基本概念，指出传统ITS由学生模型、教师模型、知识库以及人机接口四个部分组成，其中学生模型是整个系统的基础，教师模型是进行教学的执行部件，知识库和学生模型是教师模型进行推理的基础。构建智能教学系统中的关键技术在于知识表示方法的选择、推理机制的选择、学生模型的构建、教师模型的构建以及各部分间相互配合所要完成的推理，知识表示常用的方法有：框架表示法，语义表示法以及产生式规则表示法，各种方法都有各自的优缺点，推理机制则根据知识表示方法的不同而不同，基于产生式规则表示方法的推理机制有正向、反向推理以及基于事例的推理。学生模型构建中存在的问题在于各属性间的孤立以及学生模型信息的固定性，而教师模型的构建主要在于教学策略库的形成。 第三部分：数据挖掘及Web挖掘在智能教学系统中的应用探微。数据挖掘的一般过程包括了六个步骤，挖掘方法各异，应用时根据不同的挖掘需要来进行选择。可利用序列模式分析分析知识点间的关联规则，根据得到的知识点使用规则来调整知识库中知识点的序列关系；采用多层神经网络方法来挖掘学习者对知识点的理解程度；通过Web使用挖掘技术构建学生信息库，采用聚类分析技术来对学生进行分类。 第四部分：ITS的设计。指出三种可进行ITS设计的思想，基于Web和数据