当今社会是计算机网络广泛应用的社会，人们处于一个不论是在工作、学习、生活都离不开计算机网络的时代。而传统教学也在原有的面对面的教学模式的基础上有了新的突破和发展。面对面的课堂教学模式具有成本低、易管理的优势，仍然是目前国内外教学采用的主要教育模式。但是在终身学习理念普及的当代社会，面对面的课堂教学模式很难满足学习者对于学习时间、地点多样性的需求。因此，在课堂教学模式的基础上发展了远程网络教育、移动教育等多种教学模式，而教学资源呈现出来的数字化、网络化特点，使得这些教学资源越来越受到广大用户的关注，在信息化时代中，专家也成为一种教学资源。在大量学习资源产生的同时，学习者也更容易遭受到信息过载的困扰。因此，如何快速地为学习者推荐其所需要的专家，已成为在新型教学模式中亟待研究和解决的问题。　　本文在查阅和参考大量的推荐技术和移动情景学习相关文献资料后，对国内外著名的推荐技术及网络学习、移动学习等相关学习理论进行总结归纳。根据用户兴趣模型构建和专家资源模型构建，对移动情景平台中高血压领域的专家推荐过程进行详细的分析与阐述。接着，根据专家资源的特点，采用用户对高血压领域的专家的评价信息作为计算用户相似性的方法，较好地改善了传统推荐过程中的数据稀疏问题。并在移动情景学习平台中进行实验。在用户对专家评分的真实数据支持下，分别对于随机推荐的专家进行海明距离和修正余弦相似计算实现基于项目和基于用户的推荐。最后通过两种推荐计算后，获得推荐并集，并且剔除用户已关注专家，来获取专家推荐列表。　　本研究基于移动情景学习平台下的原始数据获取，专家信息和用户信息均来自于系统真实数据，通过协同过滤专家推荐模型的算法实施，可以得到以下结论:　　(1)通过协同过滤推荐后形成的专家推荐列表，目标用户的浏览度、点击频率以及咨询概率有了很大程度的提高，同时，对专家的满意度和服务满意度相对较高。　　(2)基于用户和基于（项目）的双重推荐，在满足推荐准确度的同时，也满足给用户推荐的多样性，可以让用户有更多样的专家资源去咨询和学习。　　(3)通过某一大类进行划分，并且推荐，大大提高了计算机的执行效率，同时能够在计算复杂度性对较低的情况下，更加全面的检索某一大类中涉及的专家资源，加强了推荐的全面性。