现如今，时代在进步，科学也从青涩走向成熟，网络使得人们的生活发生了翻天覆地的变化，在人们的日常生活中占据着不可替代的一席之地。网上信息数量之大，而且质量参差不齐的特点，使得用户在众多信息中筛选出对自己有用的数据是一件比较困难的事情。面对海量信息给用户所带来的烦恼，推荐系统的出现和前进让人们看到了希望和曙光。当前，推荐技术仍然处于蓬勃向上发展的状态，而协同过滤推荐技术仍然是推荐系统中被应用最为广泛和普遍的核心技术。它是有针对性地为用户进行推荐，所依据的是用户在过去时间所做出的一系列行为，和通过这些行为所挖掘出来的用户本身的兴趣偏好信息。　　最初的协同过滤推荐算法在为用户做出推荐的时候，主要是通过计算用户与用户之间，或者项目与项目之间的相似度，而这种相似度的计算依据，则是通过用户对项目以前给出评分信息来挖掘出来的。这种方法本身存在着很大的不足，从而导致该方法预测的结果存在很大的误差，精确度较低。而在日常生活中，我们在进行物品的选择和评分时，往往会受到我们比较熟悉以及信任的人的推荐和建议，这就使得信任也作为一个影响因素被加入到推荐技术的研究当中。当前，融入信任因素的推荐技术也得到了很多学者的讨论和研究，但是也都存在着各自的缺陷和不足之处，使得推荐的性能和精确性仍然存在着改进的空间。　　针对于传统协同过滤推荐算法所存在的一系列问题，在本文中，在原始的推荐算法中融入了用户之间的信任关系，得到了一种新的推荐算法，目的是改进原来算法中存在的不足之处。主要研究内容如下：　　（1）在为用户进行邻居集的选择的时候，传统的协同过滤算法没有过多地考虑用户之间太复杂的关系，而只是简单地通过一定的方法来算出用户之间的相似性。这样就会导致最后推荐的结果很不理想，有时候会有特别大的误差。本文通过对用户之间是否存在共同评分项目这两种情况进行全面考虑，在这两种情况下，分别给出两种不同的用户之间的信任度的计算方法，然后综合得到用户之间的信任关系。使得传统协同过滤算法的冷启动和数据稀疏性问题得到了有效的解决。　　（2）最后，就本文提出的新的推荐算法，在 MovieLens 数据集上进行验证。通过实验确定算法中参数的取值，最后将本文提出的算法与其它算法在各项指标上进行对比，来证明该算法的有效性。