1.一种基于人工智能的在线教育课程请求处理方法，其特征在于，包括以下步骤：通过应用服务器接收用户发送的用户特征信息和课程请求信息；

课程检索引擎根据课程请求信息检索SPOC课程计划信息；

获取检索到的符合条件的课程的基础信息和专业评价信息，然后将用户特征信息与课程的基础信息进行比较；

若满足课程的基础信息条件，则将该课程的专业评价信息发送至用户终端，用户在预设时间内提供专业答复数据流并将其发送至分析服务器；

分析服务器将专业答复数据流进行处理后作为输入数据发送至用于专业标准评价的深度神经网络模型，分析服务器根据深度神经网络模型的输出值判断用户专业水平是否满足课程的专业标准；

应用服务器为满足课程专业标准的用户进行SPOC课程预订。

2.根据权利要求1所述的方法，其特征在于，所述课程检索引擎提取课程请求信息中的关键词，然后将其作为检索词进行检索，其中各检索词之间的关系为“和”的关系，检索的数据库包括SPOC课程计划数据。

3.根据权利要求2所述的方法，其特征在于，所述用户特征信息包括姓名、性别、年龄、学历和语言类别；所述课程请求信息包括课程类别、课程名称和授课时间范围；课程的基础信息包括学历、年龄、授课语言和授课时间。

4.根据权利要求3所述的方法，其特征在于，若深度神经网络模型的输出值不小于相应课程的预设阈值，则判定用户专业水平满足课程的专业标准；

若深度神经网络模型的输出值小于相应课程的预设阈值，则判定用户专业水平没有满足课程的专业标准。

5.根据权利要求1至4之一所述的方法，其特征在于，用于专业标准评价的深度神经网络模型包括输入层、BLSTM层、卷积层、最大池化层、全连接层和输出层，其中，第一层为输入层，其将输入数据表示为4行二进制矩阵；

第二层为BLSTM层，每个LSTM模块用于从输入数据中接收与专业词汇相关联的信息，并对其进行编码解释生成解释信息；然后将解释信息传播到下一个LSTM模块中；

第三层为卷积层，其由多个3×3的卷积核组成，其中具有线性整流函数ReLU作为激活函数，每个卷积核扫描输入的矩阵用于词汇发现；

第四层为最大池化层，其用于减小输入的尺寸以及减小过拟合；

第五层为全连接层，用于最大化每个卷积核的输出信号使其成一个完整的序列，并且其使用ReLU作为激活单元；

第六层为输出层，其使用sigmoid激活执行非线性转换，并生成0到1之间的值，以表示输入数据与相应主题下的专业词汇关联的概率。