背包问题是一个经典的组合优化问题，其目标是在给定一组物品的重量和价值以及一个背包的容量限制下，确定如何选择物品放入背包中，使得背包中物品的总价值最大化。

回溯算法是一种穷举搜索算法，它通过递归地尝试所有可能的解决方案，并在搜索过程中进行剪枝，以减少搜索空间。下面是背包问题的回溯算法的伪代码：

function backtrack(items, capacity, currentItem, currentWeight, currentValue, solution):
    if currentWeight > capacity:
        return
    if currentItem == len(items):
        if currentValue > solution.value:
            solution.value = currentValue
            solution.items = copy(currentItems)
        return
    # 尝试放入当前物品
    currentItems[currentItem] = 1
    backtrack(items, capacity, currentItem+1, currentWeight+items[currentItem].weight, 
              currentValue+items[currentItem].value, solution)
    # 尝试不放入当前物品
    currentItems[currentItem] = 0
    backtrack(items, capacity, currentItem+1, currentWeight, currentValue, solution)

function knapsack(items, capacity):
    solution = new Solution()
    currentItems = new Array(len(items))
    backtrack(items, capacity, 0, 0, 0, solution)
    return solution

其中，items是一个物品数组，每个物品包含重量(weight)和价值(value)两个属性；capacity是背包的容量；currentItem表示当前考虑的物品索引；currentWeight表示当前已放入背包的物品总重量；currentValue表示当前已放入背包的物品总价值；solution是一个解决方案对象，包含当前最优解的价值(value)和放入背包的物品列表(items)。

上述代码是一个简化的版本，没有考虑剪枝优化，如果问题规模较大，可能会导致运行时间非常长。实际应用中，可以根据具体问题进行剪枝优化，例如通过计算上界或者使用动态规划等方法。

希望对你有帮助！