目前“在线学习”系统中普遍存在教学资源适应性选择问题,本文对现有的相关文献资料进行了分析,对在线学习系统的相关基本理论进行了深入的研究,并对如何根据学习者的个性特征提供适当的学习内容进行了研究。该研究给出了一个基于遗传算法的个性化在线学习系统模型,模型实现了根据个性化特征对学习资源动态调整和推荐的目标。在线学习系统包括学习用户兴趣模型和学习资源模型,利用遗传算法实现学习用户兴趣模型的动态更新,并给出一个应用实例,数据结果表明,所提出的模型对问题的解决是有效的。同时给出基于开源软件Sakai平台开发的个性化在线学习系统解决方案。本论文的主要工作如下：第一,学习用户初始兴趣模型的建立。第二,学习用户的初始兴趣模型的动态更新。学习用户的初始兴趣模型确立后,利用遗传算法对其进行动态更新。由于静态的兴趣模型不能够完全反映学习者的偏好情况,考虑通过借鉴和结合其他学习者的课程资源的选择情况,以及跟踪学习者自身的学习行为,来优化学习者自身的兴趣模型,从而更新学生兴趣库。为了验证模型的有效性,用实例说明模型更新的流程并进行了测试分析。第三,学习资源的建模。学习资源模型的表示,包括了资源难度系数的确定。第四,学习用户模型和学习资源模型的匹配机制,实现个性化推荐。推荐系统推荐给学习者的资源,不能与学习者刚刚看过的课程资源不太相类似,或者完全不相关,也不能与学习者看过的资源完全重复,解决的主要方法是使用遗传算法引入的随机性,算法收敛到全局最优解或全局最优,从而向学习者提供一个比较适合的学习内容。第五,给出基于开源软件Sakai平台开发的个性化在线学习系统解决方案。对基于开源软件Sakai平台开发的个性化在线学习系统进行了分析设计,给出了系统的整体架构和个性化在线学习系统模型,对模型中的资源推荐模块进行了具体分析。难点和创新点在于利用遗传算法进行个性化在线学习系统模型的建模,实现学习用户兴趣模型的动态更新,避免学习资源的重复推荐和错误推荐。