伴随着网络的大面积普及,网络上的信息更新较快,同时数据也快速增长。人们不再苦恼该怎么得到信息,如何从大量的数据信息中挖掘出有效的数据成为人们关注的焦点。这时推荐系统应运而生,不同用户的需求不一样,推荐系统需要根据用户的不同需求呈现不同的推荐列表,因此上下文信息越来越受到人们的重视,上下文信息已广泛应用于不同的领域,那么将上下文信息融入推荐系统可以提高推荐系统的准确度,帮助用户找到贴合自己需求的推荐结果,但是目前与上下文信息融合的推荐系统的研究还处在初级阶段,仍然存在很多问题需要研究者进一步研究解决。本文针对目前已有的推荐算法进行了研究,并且学习上下文信息,将上下文信息融入推荐系统。本文的主要研究内容包括：推荐系统的历史和研究进展,已有的传统推荐算法的原理和实现方法,推荐算法在不同领域的成功应用,上下文感知的历史和进展,上下文感知的基本概念、获取方式和数据处理,并且在传统的推荐算法上提出改进的算法,提高推荐的准确度,本文还将改进的推荐算法应用到视频推荐应用中,进一步体现算法的有效性。本文的研究成果主要如下：(1)改进的推荐算法。本文基于传统的SVD模型和user-user模型,将两个模型进行融合,并且加入时间动态因素和性别、年龄、职业等上下文信息,提出了优化的推荐算法,并且使用MovieLens数据集来验证推荐算法的有效性,分为训练集和测试集,将各种推荐算法和改进的算法进行对比分析,取得不错的效果,RMSE稳定下降。(2)视频推荐应用。本文设计了一款视频推荐应用,将改进的推荐算法应用到此应用中,主要包括最近更新模块、热播视频模块、推荐视频模块(包括电视剧频道、电影频道、体育频道、综艺频道和卡通频道)、搜索模块和评论模块,成功实现了推荐视频的功能。