个性化推荐系统是解决信息过载问题的有力工具，目前在互联网的各个方面都得到了广泛的应用。然而，传统的个性化推荐系统只考虑了用户—物品之间的二元关系，而忽略了推荐时的上下文。研究表明，用户在不同的上下文中，兴趣偏好是存在差异的，推荐系统必须考虑到这种差异性，才能做出合理的推荐。推荐时结合了上下文信息的推荐系统被称为上下文感知推荐系统，它有广泛的应用领域，而目前国内外对它的研究还比较少，因此本文对上下文感知推荐系统及其应用进行了较深入的研究。本文的主要工作在于（1）介绍了传统个性化推荐系统的概念、推荐算法以及推荐系统的评测方法，其中详细介绍了基于用户的协同过滤算法；（2）阐述了上下文感知推荐系统的研究现状及关键技术，并重点介绍了如何进行上下文信息的处理、如何获取用户的兴趣；（3）针对当前上下文感知推荐算法的不足，提出了基于用户分解的上下文感知推荐算法和结合上下文相似度的协同过滤算法，这两种算法分别属于上下文预过滤和上下文建模的范畴，有各自的适用领域。此外，本文还相应地提出了一种新的上下文相似度计算方法；（4）通过大量实验，验证了本文提出的改进算法的有效性；（5）最后综合本文的研究工作，基于某移动应用程序，设计并实现了一个上下文感知推荐的原型系统。