E-learning已成为企业开展员工培训的有效方式之一。目前，许多大型企业在企业内部网或互联网搭建了e-learning平台。随着e-learning应用实践的深入，e-learning平台中学习资源数量日渐增多，导致员工需要花费大量的时间和精力在平台中检索和查阅符合自己需要的学习资源，甚至找不到符合自己兴趣和工作岗位需求的学习资源。通过分析多个企业e-learning门户系统，我们发现，当前e-learning系统推送学习资源的方式有：Top-N推荐方式、关键字查询方式和最新资源推荐。以上各种资源推送方式在一定程度上帮助学习者检索和发现符合学习需要的资源，但是不能个性化地向学习者推送学习资源。因此，如何解决e-learning系统中学习资源的个性化地主动式推荐就成为当前教育技术学研究人员面临的研究主题之一。本文首先对目前已在电子商务领域成功应用的协同过滤推荐技术及算法作了分析和研究，并总结、概括了该算法存在的不足之处，针对这些问题介绍了几种典型的优化算法。然后，为了解决协同过滤算法自身存在的数据稀疏和冷启动问题，提出了利用内容过滤推荐算法和项目评分预测方法对其进行优化的思想。同时，构建了一个基于用户学习行为的隐式评分模型，将用户对资源的收藏、推荐、分享等能够体现用户对资源喜好的行为因素转化为可定量的资源评分，以增加用户对资源的评分率。将以上的算法思想加以融合，得到一个优化的组全算法。最后，基于以上提出的优化组合后的协同过滤推荐算法，构建一个个性化学习资源推荐模型，并通过浙江省中小企业信息化平台中的知识库模块加以呈现。本研究虽然在一定程度上缓解了协同过滤算法存在的数据稀疏和冷启动问题，但仍未从根本上予以解决。通过将协同过滤推荐算法引入到e-learning中，使该算法进入到一个新的应用领域，以启发更多e-learning研究人员从不同的层面和角度探索协同过滤技术在e-learning中的应用，提高学习资源个性化推荐的精度和效率。