本文对教育资源推荐服务中的推荐服务模型、资源特征表示以及基于机器学习的推荐算法等关键技术进行了讨论与研究，主要工作及贡献如下：在分析现有网络教学系统的特点和不足的基础上，提出一套完整的网络教学系统设计方案，将Web挖掘技术应用于网络教学系统中，在网络教学系统中引入教育资源推荐服务。针对教育资源内容的特征表示问题，使用文本类型资源的内容或者多媒体类型资源的资源描述作为资源内容的表示；提出一种基于树型结构和加权熵的中文高频词提取算法，使用该算法可以在没有词典的情况下从资源内容或者资源描述中提取高频词，将这些高频词作为资源的特征表示。针对如何减少推荐模型训练时间、提高推荐服务效率问题，使用流形学习技术对资源特征表示进行维数约减，缩短了推荐模型的训练时间；使用基于主动学习技术的推荐方法，减少了资源标注时间，提高推荐服务的质量和效率。针对跨领域教育资源推荐问题，提出一种结合数据时效性和权重约束的迁移学习算法。在经典迁移学习算法TrAdaBoost的权重分配中引入时效函数，从而体现样本数据的时效性。在算法执行过程中，对错分样本进行权重约束，从而提高算法的泛化能力。针对大规模教育资源推荐问题，提出一种基于有监督Hebb规则的分布式神经网络学习算法，并将该分布式学习算法应用于教育资源推荐服务中。该算法可以有效地解决大数据量样本集所带来的网络规模过大、训练时间过长等问题。本文的研究成果为教育资源推荐服务的研究提供了理论参考，在资源特征表示以及基于机器学习的推荐算法等方面具有一定的理论和应用价值。