随着计算机的不断普及，互联网的快速发展，人们对传统的教学模式不再满意，而此时网络课程应运而生。传统教学模式以老师为主，老师和学生同时处在教室，老师主动向学生授课，学生则被动的接受;而网络课程模式则是以学生为主，老师将自己的授课内容放到某个平台上，学生通过平台去寻找自己感兴趣的课程，然后随时随地都可以学习。显然，网络课程模式更容易被人们接受和喜欢，因此最近几年，各种网络课程平台兴起，网络课程也随之越来越普及，越来越受欢迎。　　网络课程不断增多，类型参差不齐，人们渴望对网络课程进行分类处理。本文在认真研究朴素贝叶斯分类算法的基础上，提出了一种改进的文本分类算法，命名为RW-Bayes算法，在特征项选择上，该算法采用“词库”来进行进一步的特征选择，“词库”是指所有会影响分类结果的词语的集合，而“词库”的选择在课程分类中比较容易实现，它还依据每个特征项对分类结果的影响不同提出了特征项权重计算，通过实验表明，这两点改进使得RW-Bayes分类算法应用于课程分类效果远远优于朴素贝叶斯分类算法。　　另外，网络课程数量越来越庞大，如何向用户推荐用户感兴趣的课程也是现在急需解决的一个问题。本文研究了协同过滤推荐算法，采用基于用户的协同过滤推荐方法，找出当前用户的相似近邻用户，然后产生推荐，而与传统的协同过滤推荐算法不同的是，本文提出的课程推荐系统是基于分类结果的，也就是说，我们首先会对课程进行分类，然后根据每个用户对每个类别选课情况得到用户的评分矩阵，评分就是用户学习该类课程的数量，这样很好的解决了评分矩阵稀疏的问题，通过最后的实验表明，基于分类结果的协同过滤课程推荐系统效果略优于传统的协同过滤课程推荐系统。