随着新一代信息技术的迅速普及,教育信息化成为当今教育发展的大趋势,越来越多的智能教育辅助平台涌现出来。与传统教育相比,智能教辅平台以其简洁直观的界面、准确且权威的资源、强大的交互性和扩展性等方面的优点,备受广大教育主体的青睐。如何通过信息技术来提取分析教育环境中学习者的学习生产活动,从而指导教育主体优化教学方式方法变得愈来愈重要。智能教辅方法正是解决这一问题的关键钥匙。基于认知诊断的智能教育辅助方法是目前教辅方法研究的核心课题之一。尽管国内外学者对于智能教辅方法已经进行了大量的研究,但是目前仍有改进的空间。首先,传统的认知建模方法忽视了学习者对习题层次下不同技能的详细掌握情况以及不同技能的重要性对认知诊断分析的影响。其次,智能教辅过程中的个性化习题推荐方法存在准确度较低等问题。为了进一步提高智能教辅方法的适用性与精确度,本文将围绕智能教辅方法所涉及到的学生建模及教育个性化推荐两个关键问题开展深入的研究。其中,学生建模是智能教辅方法的重要基础,教育个性化推荐是学生建模在智能教辅方法中的延伸应用。本文的主要工作概括如下:（1）提出一种改进的多级评分认知诊断模型Con-DINA（Continuous,Deterministic-Inputs,Noise-And）。在传统认知诊断模型DINA的基础上进行改进,实现对学习者技能掌握程度的量化分析。运用马尔科夫链蒙特卡洛（Markov Chain Monte Carlo,MCMC）算法进行参数估计,进一步地,将Con-DINA模型与其他现有认知诊断模型分别应用于三个真实数据集的评估任务。实验结果表明:Con-DINA模型的参数精度和诊断正确率较高,评估任务的准确性和稳定性明显优于其他模型;（2）提出一种改进的个性化习题推荐方法CFR-CD（Collaborative Filtering Recommendation-Cognitive Diagnosis）。通过Con-DINA模型得到学习者的习题潜在得分,并引入学生技能掌握程度随时间漂移的时间权重函数。利用协同过滤算法,综合上述特征,分析并构建相似习题掌握情况的学习者模型。最后,根据学习者的习题掌握情况与相似学习者的作答数据进行习题推荐。将CFR-CD算法与其他传统推荐算法分别在三个真实数据集上进行实验对比。实验结果表明:CFR-CD推荐算法在三个数据集上的精确度较传统协同过滤推荐算法均提高超24%;较概率矩阵分解模型均提高超6%。（3）结合上述改进算法,开发了一个基于认知诊断的智能教辅系统原型,实现了从理论到应用的转化。该系统具有课程学习、认知诊断评估、个性化习题推荐等功能。最后,对现有的工作进行总结并对未来的深入研究提出展望。