进入21世纪以来,互联网每天都在生产数据、创造数据和使用数据。大量的数据产生大量的信息,致使用户越来越难以从中甄别有用的信息为自己所用。推荐系统能够根据用户兴趣进行个性化推荐,满足用户需求,同时也让用户和商品之间的黏性变得越来越大。在图书推荐领域,图书推荐可以为不同的读者进行专属的推荐,满足快速而有针对性查找的需求,增加图书的阅读率和销量。本文重点对基于协同过滤和隐语义模型的推荐算法进行了研究和改进,并应用于图书推荐领域。针对协同过滤算法中对用户习惯的迁移对推荐结果的影响考虑欠缺,对其进行了改进,分别在基于用户的协同过滤（User CF）算法和基于物品的协同过滤（Item CF）算法中融入时间因素,构造了融入时间因素的基于用户的协同过滤（TF-User CF）算法和融入时间因素的基于物品的协同过滤（TF-Item CF）算法。针对隐语义模型算法没有考虑用户与商品本身的属性信息,很难处理隐性数据集和没有考虑用户冷启动问题,加入了偏置项和结合用户属性信息,通过用户属性信息找到新用户的属性相邻用户,从而进行推荐。使用Movielens数据集和Book-Crossing数据集进行了实验,比较改进的协同过滤算法和改进的隐语义模型算法与传统算法的平均绝对误差。在改进的协同过滤算法实验中发现融入时间因素后其平均绝对误差会降低,证明了在协同过滤算法中融入时间因素可以提高推荐的准确度。在改进的隐语义模型算法实验中发现无论传统的隐语义模型算法还是改进的隐语义模型算法总体的准确度都高于User CF算法和Item CF算法,同时改进的隐语义模型算法在准确度上要高于传统的隐语义模型算法,能够提高推荐的质量。最后设计并实现了一个个性化图书推荐系统原型,能够根据读者的行为进行个性化的图书推荐。