本世纪是信息的时代，信息的获取、传输和存储技术都得到了空前的快速发展，虽然现在人们获取的信息不管是从速度上还是内容上都比以往要上升几个数量级，但是这也带来一些严峻的问题。如何从海量的数据中快速的获取自己想要的数据也变得异常艰难。为了解决这个问题，推荐系统应运而生。对于推荐系统的研究引起了工业界、商业界、学术界的广泛兴趣。本硕士论文对推荐系统做了深入了解与研究，包括推荐系统的概念、分类、存在的普遍问题、常用的评价指标和常用的推荐系统算法特别是协同过滤推荐算法。由于目前学术界很少有考虑将推荐系统的推荐过程建模成数学优化问题，并用优化的方法去求解该问题，所以本文试图将优化与推荐相结合，用优化的思想去求解推荐问题。经过分析与推导，本文提出了一种多目标优化思路，提出了一种基于进化多目标优化的推荐系统算法。该算法同时考虑推荐的精确度和推荐的新颖度，既要保证精确率又要尽可能地推荐新的物品给用户，算法力求在两者之间得到一种平衡。该推荐算法一次运行可以得到一组推荐方案供决策者决策，决策者可以结合用户的个性化数据，选择个性化的方案推荐给用户。为了测试本文提出的基于进化多目标优化的推荐系统算法，本文在Matlab7.0环境下利用两个模拟数据集上和一个中等规模的真实数据集上对提出的算法进行测试，并且与传统的基于用户的协同过滤推荐算法进行对比，实验证明本文所提算法从推荐的精确率和推荐召回率两个方面都能够得到比传统算法要好的结果。