在互联网高度发达,在线内容数量爆炸式增长的时代背景下,“信息过载”现象已成为日常获取信息的主要问题之一。教育领域的在线教学系统中,师生利用在线笔记管理教学参考资源,而系统内部往往缺少教材以外的参考资料,这些资料与使用者的需求密切关联,具有个性化的特征。在教学场境中,传统的搜索引擎可能无法使用,因此,在笔记系统中根据实际应用场景来给用户推荐个性化的参考资料是值得研究的课题。通过调研发现,基于深度学习设计的个性化推荐引擎是一种可行的解决方案。首先,通过文献检索和综述分析推荐系统在不同场景下的应用现状和特点;在解析和复现当下主流推荐模型的基础上,本文提出了基于双通道深度主题特征提取的文章推荐模型（TCDTM,Two-channel Deep Topic Model）;利用这个模型设计并实现了具有在线资源推荐功能的课堂云笔记软件。本文主要的工作与贡献如下:（1）提出了双通道深度主题特征提取的文章模型TCDTM。相较于其他基于特征工程语义相似性度量的推荐模型,该模型加入主题信息,将主题信息与预先训练好的上下文表示相结合,丰富了语义特征的表达。通过对比实验和消融实验,验证了该模型的有效性,例如在Aminer数据集上的NDCG@3和NDCG@5标准比最优的对比方法性能分别提升了6.1%和7.2%。（2）在TCDTM模型基础上进行改进,提出了推荐框架TCDTM-os。针对个性化文章推荐过程中的冷启动,用户反馈稀疏的问题,将单样本学习融入到推荐框架中,结合支撑集中的个性化得分和文章相似度得分实现个性化推荐。实验表明,加入单样本学习可以有效的缓解推荐系统的冷启动问题,例如在Aminer数据集上NDCG@3和NDCG@5标准对比原方法分别提升了3.4%和3.2%。（3）应用TCDTM-os开发了一个课堂云笔记软件。首先分析和整理笔记系统的现状,确定了软件的主要功能和技术选型,接着将推荐框架TCDTM-os作为推荐引擎,最后实现软件的前端界面和后端接口。实验表明,课堂云笔记软件实现了为师生用户推荐个性化且内容相关的在线参考资源。研究和实践表明,在模型和推荐内容类型方面还有提升的空间。所提出的模型和软件具有现实意义和实用价值。