随着信息技术尤其是计算机技术的迅速发展，网络上的信息越来越丰富，合理的组织和利用信息资源变得越来越重要，由此诞生了管理海量资源的数字图书馆技术。数字图书馆包括各种格式的数据资源，在如此庞大的资源上找到有用的内容也变得原来越难。为了实现信息找人，个性化推荐系统应运而生。 信息过滤技术是个性化推荐系统的基础和核心部分，也是作为信息系统集成中一个极为重要的组成部分，协同过滤是目前最为成功的过滤技术，依据是与用户兴趣相似的用户群的事务历史记录和相关反馈信息。协同过滤机制作为一种行之有效的技术应用于数字图书馆中，有效优化了个性化服务。 本文提出了一种建立在高校数字图书馆基础上，面向科研人员的个性化推荐系统，详细描述了系统结构，实现机制和不同于目前其它个性化推荐系统的特点，并在此基础上建立了复旦大学数字图书馆个性化推荐系统。在信息过滤技术方面，采用优化的用户模型、资源模型和匹配算法，能更好的提高推荐质量。并且将学习算法用于更新用户模型更新中，使用户模型更具有时效性，使用户模型能更好得反映了用户兴趣的变化。运用基于分类的用户群的协同过滤技术，对用户群的兴趣进行分类，完善用户相似性的计算。在概念和联系层次上，有效解决了协同过滤中用户评分数据稀疏的问题，优化了个性化推荐系统。