伴随互联网信息资源规模的迅猛增长，用户要在海量信息空间中获得符合自己需求的信息也越发困难。推荐系统作为一种智能个性化信息服务系统，为用户推荐用户感兴趣的信息资源。推荐算法是推荐系统的核心，近些年来，协同过滤技术作为迄今为止应用最成功的推荐技术之一，得到了研究者广泛的关注。然而，传统的协同过滤算法存在许多的问题，其中数据稀疏性问题直接影响推荐系统的推荐结果的好坏。本论文对推荐系统做了深入了解与研究，认真学习了广泛使用的协同过滤推荐算法。为了解决传统的协同过滤推荐算法的数据稀疏性问题，本文在对矩阵分解技术进行有益的探索和研究的基础上，提出了一种基于非负矩阵分解的改进的协同过滤推荐算法，并且通过模拟数据和真实数据对改进后的算法进行了性能验证。最后，本文在模拟数据集上和真实数据集上对改进后的算法进行测试，从推荐的平均绝对误差、推荐精确率和推荐召回率三个方面验证了本文所提算法的有效性，并且与传统的基于用户的协同过滤推荐算法进行对比，实验证明了本文所提算法可以有效解决数据稀疏性问题从而提高算法的推荐效果。