在知识全球化以及移动互联网普及的背景下，在线学习环境正以多样化的方式进入到学校教育和社会教育，在线课程数量及用户数量呈爆炸式增长。个性化学习强调以学习者为主体，并针对学习者个体特点、知识状态、知识结构和学习能力等具体学习情境，采用恰当的学习方法、学习内容、学习进度和协同学习团队。而且，在线学习过程数据的长期记录为精确化、高质量的个性化学习服务提供可能。　　虽然在线教育实践已经获得成功，但是仍面临个性化学习服务提供不足，若干关键技术无法突破的难题，包括对学习者知识状态细粒度量化描述、学习效果较差者准确挖掘、关键薄弱知识集合发现和个性化协同学习团队构建等。因此迫切需要一套完整的个性化学习关键基础理论和方法体系来解决限制在线教育服务质量进一步提升的瓶颈问题。　　本研究根据学习者认知特性、知识结构特点和群体协同学习策略，结合认知理论、监督学习、图论、算法设计与分析展开全方位地研究，提出了一套面向大规模在线学习环境的高质量个性化学习服务方法体系和关键技术，包括学习者知识状态精确量化评估机制、基于知识状态的学习效果较差者挖掘方法、基于学习者知识状态与知识结构的关键薄弱知识发现方法和个性化协同学习团队构建策略。论文的主要贡献和创新点如下:　　(1)提出了知识点冷启动场景下的学习者知识状态评估机制。针对学习者与知识点交互数据不足的场景下，目前主流知识状态评估模型无法实现评估的问题，设计了一种全新的学习者知识状态评估机制PSFK，该模型基于当单体数据获得的信息有限时，可以利用群体数据补充单体数据不足的思想，结合贝叶斯知识跟踪模型和用户协同过滤方法，弥补了知识点冷启动场景下的学习者知识状态评估研究空白。实验表明，该方法能够有效实现上述场景下的知识状态评估任务，以及具备良好的学习者成绩预测能力。　　(2)提出了基于知识状态的学习效果较差者挖掘方法。根据学习者学习能力和知识点难度系数，个性化构建学习者已掌握的知识集合和目标知识集合，形式化定义Top-k学习效果较差者挖掘问题，并设计综合学习者知识状态维度、情感状态维度和学习行为维度的通用型学习效果较差者挖掘框架，为学习效果较差者的个性化协同学习团队构建奠定基础。实验表明，学习者学习能力、知识点难度系数和学习效果较差者数量基本符合高斯分布，能够有效完成学习效果较差者挖掘任务。　　(3)提出了基于学习者知识状态与知识结构的关键薄弱知识发现方法。根据知识之间的前导后继关系设计了学习者知识点网络构建框架，该框架包含了学科知识点网络自动化构建方法、学习路径环路检测算法、冗余路径检测与消除算法。根据为每位学习者构建的知识点网络，从知识相关特征和网络结构相关特征两个方面给出知识点关键程度和薄弱程度的形式化定义，提出了基于固定层级窗口和广度优先搜索的学习者关键薄弱知识集合发现方法，为精准化教育资源推荐奠定基础。　　(4)提出了个性化协同学习团队构建策略。针对挖掘的学习效果较差者，为其个性化推荐知识互补的专家团队，设计了基于最小集合覆盖的专家组推荐算法，从协同学习的角度有效补充个性化学习服务。对上述专家组推荐算法中的“最优化”约束条件进一步完善，综合考虑集合覆盖约束、团队增益最大化约束以及团队成员间交流代价最小化约束，形式化定义了统一优化目标函数最大化的团队构建问题，在完成该问题NP完全性证明的基础上，设计了暴力枚举算法和三类基于不同贪心策略的启发式算法，分别表示为:BE、GSCA、GTGA和MRGTGA。通过理论分析和仿真实验交叉验证，BE算法能获得问题的精确解，但时间复杂度为指数级，仅适用于小规模的团队构建;GSCA算法适用于交流代价极高的远程协作环境;GTGA算法构建的团队整体增益值接近精确解，同时该算法运行效率极高，综合效果最优。　　最后，基于实验室研发的教育云平台，并结合所提出的在线个性化学习支撑方法和关键技术，研发了提供高质量个性化学习服务的在线学习原型系统AutoITS。研究成果解决了在线学习环境中支撑个性化学习服务的技术瓶颈问题，具有较高的理论价格和广阔的应用前景。