知识更新周期的缩短,需要人们不断地去学习并更新自己所掌握的知识。而工作学习节奏的加快使人们更多地选择基于计算机及互联网技术,以微博、微信、微课等为平台,不受时间和地点影响的网络学习资源。然而,工作和生活的多任务化导致的作息时间碎片化,使学习者难以抽出整段的学习时间用于学习。因此,能够利用短小的时间片断进行学习的平台成为一种需求。这一需求催生了一种新型的学习模式——微学习（Micro-Learning）。作为一种新型的学习形态,微学习正逐渐从社会领域的实践中扩展到学校教育的应用中。现有的微学习平台虽然能够为学习者提供一些基于互联网学习持续时长相对较短的学习资源,但由于分散在互联网中的学习资源已经呈现出多源异构的形态,以及涌现出的大量学习资源也造成信息过载等问题,导致学习者在搜索和查找适合自己的学习资源时需要付出更多时间。而对学习资源发布者来说,如何让自己发布的学习资源能够更快地传递给适合的学习者,同样是一个棘手的问题。因此,针对不同年龄、不同行业、不同知识水平的学习者进行分类,有助于有针对性地为学习者提供个性化地学习资源,这对于为学习者创建专属的个性化学习环境具有重要意义。为定位微学习平台中用户的需求,本研究提出构建一个基于多层稀疏类别受限玻尔兹曼机的深度置信网络的改进模型,用于发现用户感兴趣的资源类型。该模型以微学习相关理论为基础,结合深度置信网络,通过改进稀疏编码模型以及受限玻尔兹曼机模型,以识别微学习者类型。本文的主要工作如下:（1）在受限玻尔兹曼机模型中加入一个类别层,以监督学习的方式实现微学习者的类型识别工作。（2）将稀疏约束引入深度置信网络模型,选取有助于识别微学习者类型的显著特征。（3）采用arctan函数代替原稀疏约束的惩罚项,获取更有效的目标稀疏表示,以更为简洁有效的训练实现对用户类型的识别。基于本研究的对比实验表明,改进的稀疏深度置信网络能够提高用户类型识别的正确率,提高用户分类的精度,提升模型对用户类型识别的性能。