近年来智慧教育获得快速发展,使得学习者可以获得丰富的学习资源以及自由的学习时间,也使平台积累了海量的在线教学和学习数据,这些数据进一步被用于优化教学质量,从而受到广泛的关注。然而,当前在线教育平台仍然存在以下问题:（1）在线课程质量良莠不齐,评价标准亟需规范;（2）同类型课程数量众多,使得学习者难以区分不同课程之间的优劣,无法真正为学习者推荐个性化的课程资源。因此,在线教育亟需规范在线课程评价标准确保课程质量,其次,需要从利于学习者的角度,提高不同课程之间的区分度以及推荐个性化学习课程。因此,有必要对在线课程评价方法进行优化和创新。为实现这一目标,本文提出了一套课程画像指标体系,即一种新的针对课程内容的在线课程评价指标体系,该指标体系包含4个一级指标和14个二级指标,其中有5个指标是课程的隐式特征。本文首先利用三个算法进行指标特征的抽取:使用改进的Fast Text算法对课程介绍文本进行分类,抽取了与课程难度相关的三个特征;使用SVM算法对课程评价进行情感分析,抽取了与课程好评度相关的特征;使用Jaccard相似度对同类课程进行细粒度聚类,计算出了每门课程的知识点覆盖度。进一步地,本文结合AHP层次分析法和熵权法确定了课程画像各级指标的权重,最后,通过使用一种能够反映课程画像突出指标的线性加权模型计算出了课程画像的各指标值,实现了课程画像的构建。综合而言,在课程资源推荐方面,本文基于当前在线教育的场景分析了现有教育资源推荐方法的优缺点,将课程画像和学习者画像进行结合,提出了融合学习者特征和课程特征的基于深度置信网络的课程资源推荐方法。通过使用在线教育平台的真实数据集对实验构想进行了验证,结果表明:课程画像的定义、课程特征的抽取、课程画像指标值的计算方法具有良好的合理性;相对于传统推荐算法,本文提出的融合学习者特征和课程特征的推荐模型在性能上获得了显著的提升。本文提出的研究方法被成功用于构建课程画像及推荐系统并获得初步应用,这对于规范在线课程质量,提高个性化在线教学,提供了有力的参考。