随着互联网技术的不断进步发展,个性化推荐技术逐渐成为计算机领域的研究热点。随着教育的重要性日益提高以及互联网和大数据等技术的发展,越来越多的研究人员将大数据研究应用于教育领域。在教育大数据应用中,对新用户的教育资源推荐易导致信息量不足,从而产生冷启动推荐问题。冷启动推荐问题是指新用户刚刚进入系统,无任何历史行为,无法依据历史数据获得用户偏好,从而给推荐带来巨大挑战。如何进行冷启动推荐,同时保证推荐的准确性,已成为学术界的重要研究内容。本文针对冷启动推荐问题进行了深入研究,提出了一种基于学习兴趣的冷启动推荐方法。本文的主要研究工作如下:首先,给出可能会直接影响用户学习兴趣的特征值,选择该特征值的大小和数量,利用Pearson系数计算出冷启动用户与其他用户的相似程度,综合多个特征值的加权累加和的平均值,得到一个完整的用户与用户之间相似度最终数值。对于最终数值,综合考虑用户学习兴趣的正相关和负相关含义,将数值引入到sigmoid映射函数模型,实现相似度的（0,1）区间值向量映射。该映射保证相似关系不变的同时,为后续相似用户自适应阈值筛选提供支持。其次,在此基础上,为了缩小相似用户范围,精简推荐数量,本文提出自适应动态阈值筛选算法。算法使用迭代平均值确定一个动态阈值,超过该阈值的用户即为满足条件的用户。此外,为了保证推荐的准确性,避免用户与用户之间只有某些特征值数值过高,从而引起相似度计算结果较大的问题,本文引入卷积神经网络对相关数据进行分类判识,保证用户与用户各个特征值实现均相似,通过卷积网络来筛选掉只满足某些特征值的用户,确保最终得到的候选集一定是和冷启动用户最为相关的用户。最终结果集满足相似用户n个,每个用户有m个推荐内容,总计n*m个,推荐m个最相关内容给冷启动用户。最后,本文通过实验对结果进行验证。相比现有推荐方法,本文方法的运行时间和空间开销减少20%以上,且推荐准确率和效率均优于现有方法。因此,本文提出方法能够有效的解决新用户学习资源推荐产生的冷启动问题。