高考新政策的实行,标志着我国高考制度进入了新的阶段。新高考模式在志愿设置、填报规则和志愿录取等方面都发生了较大变化。在考试科目上,取消了文理分科的方式,采取“3+3”选考的形式;在高考志愿填报方面,由采用“院校+专业”志愿模式转变为“专业+院校”模式。志愿填报方式的转变不仅增加了对考生选科的要求,而且提升了考生的志愿填报数量。这些变化在扩宽学生选择权的同时,也增加了志愿填报的复杂度。大量的志愿信息使得考生在志愿填报时难以做出选择,造成“高分掉档”、“录取非所想”等现象。因此,本研究在新高考政策的背景下,以新高考志愿推荐为中心,围绕专业分类、专业分数线预测与志愿推荐等问题展开研究,设计并开发了一套在新高考政策下为考生进行个性化志愿推荐的系统。论文的主要研究内容如下:（1）构建一种基于特征加权的多标签K近邻（Multi-label K-Nearest Neighbor Based on Feature Weighting,WML-KNN）分类模型,实现了专业多标签分类。通过梳理霍兰德职业兴趣理论,使用文本分析技术,将职业兴趣与高校专业相关联,实现基于职业兴趣类型的高校专业分类。考生通过职业兴趣测试可以得到其职业兴趣类型,利用考生的兴趣类型为其进行相关专业推荐,有助于考生明确未来的专业选择方向,为志愿选择迷茫的考生,在专业方向选择上提供初步参考。实验结果表明,该分类模型与ML-KNN、BR、LP和CC算法相比,在专业数据集上Hamming loss值分别减少了1.69%、3.1%、5.8%和4.45%,Macro-F1值分别提升了4.38%、4.8%、6.24和7.24%,依据分类产生的专业推荐也比较符合用户的职业兴趣倾向。（2）建立一种基于模糊C均值聚类的岭回归（Ridge Regression Based on Fuzzy CMeans Clustering,FCM-RR）预测模型,实现了专业录取分数线预测。综合考虑影响院校专业录取分数线的各种因素,采用模糊C均值聚类算法和岭回归算法,实现了专业录取分数线预测;并且在此基础上,利用正态分布函数对院校专业的录取概率进行计算,实现了专业录取梯度设置。该预测模型有效地结合了院校专业评价信息、历史录取信息和用户分数,通过对专业录取分数的预测,可以帮助考生进行志愿填报。通过实例证明,该模型具有良好的预估能力,提高了院校专业分数线的预测精度,该模型的误差低于其他5种预测方法,预测效果比RR模型的RMSE值降低了4.9546、MAE值降低了3.0545,专业梯度的设置也符合高考志愿梯度划分规则。（3）构建了一种基于多元信息的新高考志愿混合推荐模型。基于与志愿相关的多元信息,采用混合推荐的方法实现新高考志愿的个性化推荐。本研究结合基于实例和基于约束的推荐方法,综合利用用户职业兴趣、专业录取概率、选科及其个性化需求,通过混合推荐算法,为考生提供一个满足个性化需求的志愿表单。通过实例证明,该方法具备可行性,志愿推荐结果也能满足志愿填报规则和用户的个性化需求。（4）设计并实现了一个新高考志愿个性化推荐系统。结合本课题研究成果,使用PHP语言,为考生提供了一个智能化新高考志愿服务平台。该平台实现了信息的综合检索、信息交流、兴趣测试、专业推荐、志愿模拟和个性化志愿推荐等功能,满足了用户志愿填报的需求。该平台在2021年被推广使用,目前用户量达到1500余人。