推荐系统可以精确的筛选用户所需的资源,使得推荐技术在众多领域发挥了重要作用。近年来,越来越多的研究者将推荐技术用在教育领域。教育资源推荐方法中,学生的认知水平是关键因素,而认知诊断模型可以有效获取这一因素。因此,如何设计认知诊断模型,精准获取学生认知水平是非常值得关注的问题。在获得学生的认知水平后,需要合适的方法为学生进行教育资源推荐。如何设计推荐算法才能满足学生需求,为学生推荐适合的教育资源,是教育推荐领域的主要研究问题。为此,本文从认知诊断和教育推荐方法两个角度出发,进行深度分析,做了如下工作:（1）针对认知诊断模型对学生和试题及其交互信息挖掘不充分的问题,提出融合遗忘和知识点重要度的神经认知诊断模型。该方法利用注意力机制获取试题对知识点的考察重要度,并根据学生对知识点的作答频率和知识点本身难度,提取学生遗忘信息,有效地解决了对学生和试题因素挖掘不充分问题。然后使用深度神经网络代替传统认知诊断模型中的人工设计函数,可以充分挖掘学生与试题的复杂交互,进一步提升诊断精确度。本文在真实数据集上进行了相关实验,与经典模型对比,结果证明了本文提出方法的有效性。（2）现有的个性化教育资源推荐工作,大致分为两种:基于学生知识的推荐方法和利用协同过滤的推荐方法。前一种重点关注对学生的个性化学习状态建模,却没有利用学生用户之间的共性特征。后一种关注学生之间的共性却忽略了学生的个性学习状态。另外无论哪一种方法都有对学生和试题信息的挖掘不够充分问题。针对以上问题,本文提出基于认知诊断的神经协同过滤推荐算法。该方法利用认知诊断模型获得学生知识相关信息,与神经协同过滤结合。并提取试题文本特征作为试题辅助信息,提升预测精确度。在真实数据集上进行了相关实验,并进行了实例分析,结果证明了本文方法的有效性。