E-learning的发展和应用为学习者提供了前所未有的丰富资源和灵活的学习方式,在服务器运行的学习平台可以同时接受多个学习者访问,使得资源的利用率大大提高,同时不受时间、空间和地域的限制,使学习者实现了真正的自主学习。但目前的状况是,大多数基于Web的E-learning平台仍是以网站为中心,每个学习者看到的都是千篇一律的内容,不能根据学生的具体情况“量身定做”。与此同时,学习者希望在平台上得到个性化服务的愿望越来越强烈,因此设计并构建一套个性化的E-learning学习平台逐渐成为众多研究者关注的一个话题。正因为此,本文将推荐系统融入到E-learning平台中,从而达到个性化服务的目的。协同推荐技术是实现个性化推荐系统的一种有效方法。本文将协同推荐技术引入到E-learning个性化推荐系统中,主要研究内容包括：(1)用户兴趣建模。通过显式反馈方式来获取静态的用户兴趣信息,隐式反馈方式来获取动态的用户兴趣信息。然后采用向量空间模型来表示用户兴趣模型以及系统中的学习资源,并使用包含原信息调整的信息增补技术来更新用户兴趣模型。(2)提出一种稀疏矩阵下基于最近邻居评价的改进协同过滤算法,并且通过实验验证算法的有效性和优越性,实验结果表明提出的算法能够有效避免矩阵稀疏的情况下用户评价值影响效应被放大的现象,在精度上优于传统算法。(3)E-LPIRS个性化推荐原型系统的设计与实现。从模块结构设计、开发平台和开发工具、数据库表设计、系统主要推荐界面等方面对E-LPIRS原型系统的开发和运行进行介绍。本文提出的算法能够有效缓解数据稀疏性问题,提高推荐系统的推荐质量。文章设计的E-LPIRS个性化推荐原型系统不仅能够为学习者提供个性化的学习资源推荐服务,同时也适用于其它应用领域的研究和设计,具有较高的参考和借鉴价值。