在大数据时代,一个能灵活地横向扩展、存储海量数据、快速响应高并发访问并基于所存储的数据提供智能化服务的信息系统显得格外重要。尽管目前对于结构化数据的挖掘已经相对成熟,但对于图片等非结构化数据的利用还不够充分,这造成了对数据资源的浪费。在此背景之下,本文从对丹霞地貌数据和系统需求的分析出发,搭建了一个可扩展的信息系统,并将机器学习领域的相关技术应用于丹霞地貌数据之上,为用户提供了丹霞地貌图片识别和丹霞景区推荐等实用性功能。为支持用户以图片作为输入检索丹霞地貌数据,本项目利用了机器学习领域的神经网络技术。由于全连接神经网络在处理高分辨率图像分类上存在训练参数过多、训练效率低下的弊端,本文设计了一个能为分辨率较高的丹霞地貌图片进行分类的卷积神经网络架构。系统定期从数据库中抓取最新的丹霞地貌图片数据,经过一定的预处理,生成用于训练卷积神经网络的数据集合。利用梯度下降算法训练完成之后,用户可上传图片并得到系统预测的图片所属丹霞景区。本项目利用协同过滤算法实现丹霞景区的推荐功能。然而现有的协同过滤算法在处理景区推荐问题时没有考虑到景区之外的影响因子从而导致推荐的准确率低下。为解决此问题,本文提出了一种优化的协同过滤算法。该算法在对景区因子进行分解的同时考虑到时间对于用户评分的影响。通过量化这些额外的影响因子并扩展用户的自由参数,得出了新的代价函数。基于新的代价函数训练完成之后,用户可获得与时间相关的推荐景区。本文通过实验,搭建了一个可扩展的信息系统,并将机器学习领域的相关技术应用于丹霞地貌数据之上,对图像这类非结构化数据的挖掘利用进行了一次成功的尝试,为后续研究打下了一定的基础。