近年来,随着计算机技术的不断发展,不仅Web教育资源的存储量呈指数级增长,而且其受污染程度也日益加剧。如何从海量的资源中发现用户所需要的Web教育资源成为当前教育界的一个新挑战。Web教育资源是指以数字信号为信息,在互联网上共享的具有教育价值的所有信息资源。Web教育资源具有共享性、智能化、跨平台等特点。为了在规模日益庞大的Web教育资源中发现既与用户的文化背景、个人兴趣、研究领域相契合的,又符合用户所需要的高可信的教育资源,本文主要从Web教育资源的预选择、分层、Rank等方面展开了研究。　　本论文的主要工作体现在以下三个方面:　　(1)提出了一种移动Agent的结构模型。此模型中移动Agent结构是由环境交互模块、安全监控模块、任务求解模块、路由策略、信息库和条件状态集这六个相互关联的模块组合而成的。其条件状态集有创建、就绪、传输、运行、阻塞、退出六种状态。　　(2)提出了一种Web教育资源预选择分层模型。此模型是基于移动Agent的两层过滤模型,先根据语义相似度进行分类筛选,再根据机器学习中Q学习过滤算法,对Web教育资源进行二次筛选。　　(3)提出了一种Web教育资源Rank算法。此算法根据模糊集中的Euclid模糊度和RSS聚合技术发现用户所需要的Web教育资源。首先,采用RSS文档聚合技术快速汇聚用户需要的教育资源。其次,通过模糊集中的Euclid模糊度刻画查询内容与资源之间相关联的模糊度。最后得到满足Web教育资源终端用户的个性化资源。　　最后设计开发了Web教育资源自动获取原型系统,运用本文所提出的算法,实现了从海量的Web教育资源中获取到用户所需要的Web教育资源的功能,用户服务质量得到了很大的提高。