背包问题是一个经典的组合优化问题，指的是在限定容量的背包中，如何选择一些物品使得它们的总价值最大化。

递归解法是解决背包问题的一种常见方法。该方法基于以下观察：对于每个物品，我们有两种选择，即将其放入背包或者不放入背包。因此，我们可以通过递归的方式遍历每个物品，对于每个物品都做出放入或不放入背包的决策。

下面是一个示例的背包问题的递归解法的代码实现：

def knapsack(weights, values, capacity, n):
    # 基本情况：如果背包容量为0或者没有物品可选，则返回0
    if capacity == 0 or n == 0:
        return 0
    
    # 如果当前物品的重量大于背包容量，则跳过该物品
    if weights[n-1] > capacity:
        return knapsack(weights, values, capacity, n-1)
    
    # 否则，分别计算将当前物品放入背包或不放入背包的情况下的最大价值，并返回较大的那个
    else:
        return max(values[n-1] + knapsack(weights, values, capacity-weights[n-1], n-1),
                   knapsack(weights, values, capacity, n-1))

在这个递归解法中，weights是一个列表，表示每个物品的重量；values是一个列表，表示每个物品的价值；capacity是背包的容量；n是当前可选物品的数量。

解决背包问题的关键是找到一个递归的终止条件。在这个例子中，如果背包的容量为0或者没有物品可选，那么背包中的价值就为0。

在递归的过程中，我们首先检查当前物品的重量是否大于背包的容量，如果是，则跳过该物品。否则，我们可以选择将当前物品放入背包，此时背包容量减少，并且可选物品的数量减少，然后递归地计算在这种情况下的最大价值。另一种选择是不将当前物品放入背包，在这种情况下，背包容量不变，可选物品的数量减少，然后递归地计算在这种情况下的最大价值。最后，我们返回这两种选择中的较大值。

需要注意的是，由于递归解法会存在重复计算子问题的情况，因此在实际应用中可能需要使用一些技巧（如备忘录或动态规划）来优化计算过程，以避免重复计算。