近年来，电子商务个性化推荐系统在网络上获得了普遍的成功，协同过滤是其中应用最为广泛的个性化推荐技术。但是，网上有效信息的数量和商品的种类的急速增长对推荐系统提出了严峻挑战，协同过滤推荐中存在的冷开始和稀疏性问题还有在基于项目的协同过滤推荐中的项目多内容问题急待解决。本文通过分析传统的基于项目协同过滤算法中存在的项目多内容问题，提出了一种基于项目的协同过滤的改进算法，算法综合考虑了项目自身属性和用户评价的影响，在进行目标项目最近邻查询时，首先基于项目特征属性矩阵计算项间相似性，找出邻居项目候选集，然后基于用户一项评分矩阵计算目标项目与邻居项目候选集中项目的相似性，找出目标项目的最近邻居项目集。用户的个人特征在很大程度上决定着用户的消费习惯。所以针对用户评分数据的极端稀疏性和新用户的推荐问题，本文提出了一种基于用户个人特征的最近邻协同过滤推荐算法，通过描述用户个人特征的特征矩阵来计算用户间的相似性，初步预测用户对未评分项目的评分，对用户一项评分矩阵进行调整，然后采用一种新颖的相似性度量方法计算用户的最近邻居。随后，分别设计了本文提出的两个改进算法的仿真实验，统计分析了实验结果，比较了改进的推荐算法和传统的协同过滤推荐算法、基于内容的推荐算法，从而表明了改进的推荐算法的准确性。最后，介绍了基于用户个人特征的推荐方法的电子商务个性化推荐系统在网上音像制品销售行业的应用。