随着在线教育的兴起,教师面临着帮助学习者准确理解知识的挑战。编程课程由于较强的综合性和程序调试的特殊性而不同于其他学科,学习者在学习编程的过程中容易产生误解和疑惑,尤其在程序调试方面存在较大困难,从而抑制了其学习和进步的动力。因此,研究如何有效地辅助学习者理解调试信息和提升编程能力具有极其重要的意义。本文针对编程学习的不同阶段,设计了相应的编程资源推荐方法,包括代码演化片段推荐和编程习题推荐。具体研究工作如下:1.提出了一种基于知识图谱的代码演化片段推荐方法（Code Evolution Fragment Recommendation Based On Knowledge Graph,CRKG）,以解决编译调试阶段学习者调试效率低的问题。将C程序设计课程作为研究对象,首先基于线上历史编程数据对编译信息进行相关性挖掘,采用自顶向下的方式构建代码知识图谱。然后对学习者进行分级,提出了一种基于遗忘因子的用户相似性计算方法,并采用支持向量机算法预测用户反馈,构建了预测反馈推荐模型,为学习者进行代码演化片段推荐。实验结果表明该方法提高了代码演化片段推荐的准确性和针对性。2.设计了基于知识结构树的个性化编程习题推荐方法（Personalized Programming Exercise Recommendation Based On Knowledge Structure Tree,KSTER）,为编程练习阶段的学习者推荐针对性习题。首先根据习题难度评估具有模糊性、相对性的特点,采用模糊逻辑算法对编程习题的难度进行评估。然后根据知识点间的关联构建知识结构树,并基于知识结构树获取学习者的知识需求。最后结合知识需求对学习目标进行判定和更新,并导入匹配运算符计算认知水平和习题难度为学习者进行编程习题推荐。实验结果表明该推荐方法相较于其他推荐方法在精确率和召回率方面均有一定提高,能够有效地提升学习者的编程能力。本文提出的面向辅助编程的个性化学习资源推荐方法通过分析不同编程阶段的学习者需求,为其推荐不同的编程资源。基于学生需求的资源推荐可以更好的挖掘学习者的内在动力,为在线教育的因材施教提供了可能。此外在线编程系统常因答题数据样本少而对习题难度的评估不够准确,基于模糊逻辑的习题难度评估克服了该局限,为在线编程系统中的习题难度提供了一种新的评价标准。