远程教育作为传播知识途径之一，其优势日益凸显。而传统的远程教育是一种以‘教’为中心的学习模式，这种模式下的学习存在枯燥乏味、交互匮乏等缺陷，使得其使用率不高，制约了远程教育质量的提高。以学习者为核心，以提高学习质量为目标，以实现学习者自主学习和自适应学习目的的自适应学习系统成为远程教育研究的热点和重点。　　论文讨论和分析了自适应学习系统的相关概念及原理，重点研究了自适应学习系统中学生者认知水平估算方法和学习推荐方法。论文针对自适应学习系统中存在的学习者认知水平估算方式单一、逻辑简单以及适应性推荐方法推荐精度低、个性化程度弱等不足，提出了相应的解决方案。　　论文研究内容主要包括以下几个方面:　　(1)针对学习者认知水平估算方式单一、逻辑简单等问题，提出了一种用模糊集合表示认知水平等级，以记忆量为判断标准，试题难度和做题时间为影响因素，通过模糊推理产生对认知等级不同的影响参数，并利用影响参数和改进的SherlockⅡ方法修改认知水平的等级隶属值的认知水平估算方法，实验结果表明该算法能够准确快速地估算出学习者的认知水平等级。　　(2)在使用协同过滤推荐技术的学习系统中，存在随着系统规模扩大而导致推荐精度大幅度降低的问题。针对此问题在分析基于用户和基于项目两种协同过滤算法优缺点的基础上，提出了一种基于融合全局参数和局部参数的协同过滤算法，实验结果表明该算法在不同的数据稀疏度下，能够保持比较稳定的推荐精度。　　(3)在自适应学习系统中无老师指导的情况下，其他学习者的学习经验和学习活动序列将成为学习者在学习时重要的参考，尤其是优异成绩的学习者的学习经验更具指导意义。借鉴知识化制造系统的先进思想和方法，提出了基于模糊关联的知识网选择算法，实验结果表明该算法能够为学习者推荐适合其需求的学习路径。