目前，推荐系统作为信息过滤技术中必不可少的一种方法，已经引起了广泛的关注。随着互联网的普及，电子商务系统的规模越来越大，系统中的用户和项目数量日益膨胀，然而传统的协同过滤推荐算法主要是把用户项目评分矩阵作为唯一的信息源，忽略了用户之间的社会关系，导致推荐结果可能偏离用户的需求。因此，如何改善推荐系统的推荐质量成为推荐领域广泛关注的热点问题。本文综合分析了国内外推荐系统研究的现状，进一步对协同过滤推荐技术进行了更为深入的研究。首先，针对现有的协同过滤推荐算法推荐精度不高问题，这里结合社会网络中的直接信任信息，提出了一种基于全局信任度的协同过滤推荐算法。首先将信任网络中的局部信任度根据一定的规则转化为全局信任度，即得到了每个用户的信任排名度量；然后利用全局信任度代替传统的协同推荐算法中的相似度作为预测评分的权值，并将其附加到基于矩阵分解的推荐模型中。其次，针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题，通过引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展，提出一种基于信任传播的协同过滤推荐算法。首先基于社会网络中的直接信任关系，设计了一组信任传播规则，实现社会网络中信任关系的传递，并对重新得到的新的信任关系进行量化处理；然后利用矩阵分解技术降维处理大规模数据集的优势，将量化的信任传播关系作为信任权值加载到矩阵分解推荐模型中。最后，将本文提出的基于信任的协同过滤推荐算法和现有的推荐算法进行实验对比与分析。