随着出版业与互联网的不断发展，读物领域的信息爆炸现象日益突出，如何帮助用户在大量读物中找到喜欢的读物成为亟待解决的问题。因此，能够帮助用户快速找到感兴趣读物的读物推荐系统，就成为重要的应用工具。算法的筛选以及推荐系统普遍存在的冷启动问题成为制约推荐系统研究的两个重要问题。针对这些问题，本文进行了基于评分与阅读行为的读物推荐系统研究。　　 本文对现有的推荐算法做了较为系统的分析总结，选取应用最广泛效果最好的协同过滤算法进行研究，分别对协同过滤算法的四种经典模型进行应用实现，并设计了评分机制，分析出不同用户对于不同算法的偏好，从而通过选择用户反馈最好的算法对用户进行推荐来提高用户对推荐系统的满意度。同时针对协同过滤算法固有的冷启动问题，提出利用用户阅读行为数据解决冷启动问题，设计并实现了终端对用户阅读行为数据的采集，终端与服务器数据传输，服务器端数据分析，利用用户阅读行为数据对用户兴趣建模，在用户首次使用推荐系统、没有对推荐系统进行任何操作的情况下实现读物推荐，即解决冷启动。并基于上述工作搭建基于评分与阅读行为的读物推荐系统，通过该系统对本文工作进行实现验证，结果证明了本文工作的可行性。本文进行了用户评分与阅读行为在读物推荐系统中的应用研究探索，对读物推荐系统的算法筛选和冷启动问题研究起了一定的促进作用，为其他研究人员对推荐系统的深入研究提供一定的借鉴。