当今互联网应用的快速扩张给广大用户带来了大量的数据信息，很好地满足了用户在信息时代对信息的需求，特别是Web2.0的迅速发展以及移动互联网的崛起，用户自创和分享内容变得越来越容易，用户生成内容随即大量产生。现有的信息检索技术（如搜索引擎）一定程度上解决了激化的矛盾，但是并不能完全满足社会的需求，当用户自身无法给出有效的关键词，又或者用户没有明确需求时，搜索引擎被动驱动的缺点暴露无遗。这时推荐系统作为信息检索领域新兴技术应运而生。它依靠其智能挖掘用户需求、主动推送精准信息，很快得到了研究者和市场的关注。本文的项目目标在于探索构建一个基于Hadoop平台的协同过滤推荐引擎，利用开源框架Mahout实现传统协同过滤算法到MapReduce编程模型的移植。本文首先介绍了推荐引擎的研究背景、选题意义、国内外研究现状，阐述了推荐引擎的理论知识和协同过滤算法；其次，详细叙述了本推荐引擎的总体架构和推荐引擎的算法设计，随后，重点阐述了本推荐引擎的具体实现过程，最后给出了推荐引擎的实验结果及在现实中的初步应用。本论文的主要贡献包括：1）设计并实现了基于Hadoop的协同过滤推荐引擎，实现了传统协同过滤算法从单机到MapReduce框架下的移植。2）设计并实现了Web管理系统管理Hadoop平台上的推荐引擎，支持多策略多任务执行推荐作业。