互联网与人们的生活联系越来越紧密，网络中的数据呈现指数态势增长，系统无法准确快速地处理数据，从而导致了信息过载问题。为了解决信息过载问题，研究者提出了个性化推荐技术。个性化推荐技术能够捕捉用户兴趣，并主动向用户推荐信息或商品。在众多的个性化推荐算法中，协同过滤算法由于其简单性、稳定性等优点，成为应用最广泛的个性化推荐算法之一。但是，协同过滤算法主要存在两个问题：1）用户兴趣变化问题，由于传统的算法不考虑时间因素，认为不同时间的数据具有一样的权重，无法体现用户兴趣的动态变化；2）数据稀疏性问题，由于评分矩阵极端稀疏，导致邻居查找不准确，推荐准确度降低。为了解决上述两个问题，本文在前人的研究基础上，提出了基于时间和项目属性的混合协同过滤算法。为了解决用户兴趣变化问题，算法设计了随着时间递减的指数函数作为时间权重函数，而且对于不同的用户和项目，权重系数取值也不一样。此外，提出了时间相似度的概念，通过其他用户的行为来预测用户的兴趣变化。同时，采用了滑动时间窗口模型进行信息过滤，减少计算量，降低算法的时间复杂度。最后，为了解决稀疏性和冷启动问题，算法将协同过滤算法与基于内容的算法结合，采用基于项目属性聚类的K-Means算法进行评分预测。最后，本文使用MATLAB工具实现了基于时间和项目属性的混合协同过滤算法，并且在Movielens数据集上设计三组实验方案来测试算法的性能。实验结果证明，基于时间和项目属性的混合协同过滤算法相比传统的算法，具有更高的推荐精确度，而且能够有效地解决稀疏性和冷启动问题。