如今网络上的信息随着web技术的快速发展数量也在急剧增加，用户在享受丰富信息资源带来的便利的同时也面临快速而准确定位到所需信息比较不易等问题。针对当前存在的信息冗余困扰，个性化推荐为我们提供了一种解决之道。　　个性化推荐是从用户过去的浏览记录数据出发，分析用户的喜好，然后提取符合其爱好的项目并展现出来。不同于传统的推荐系统向所有用户都推荐相同的项目，个性化推荐技术更加注重用户本身，由此对不同用户产生的推荐结果不尽相同，这可以给用户带来极大的便利。虽然，个性化推荐技术目前已活跃于多个领域，尤其是在电子商务方面，但实际的应用中发现还是有着数据稀疏性严重、冷启动及实时性和可扩展性困难等问题，如果能够妥善地解决这些问题，那不仅可以方便用户，还能产生巨大的经济回报。　　为了有效解决上述问题，使得推荐结果更符合用户需求，本文以基于用户的协同过滤为基础，以提高精度为第一要务，完成了如下工作：　　1.探讨了现阶段几种较受关注的个性化推荐算法，并从其中选定了基于用户的协同过滤算法为研究的基本点。　　2.将聚类思想引入到推荐系统，深入研究了其中的k-means算法，针对其存在的初始聚类中心选择任意性强的问题，给出了一种能够合理选择初始中心的改进k-means算法。　　3.将用户本身固有的特征属性信息与对项目的评分信息相融合，发展出一种新的统计用户间相似关系的方法，并将这种新的相似关系计算方法及改进k-means算法融入到基本推荐算法中，给出一种新的基于用户的推荐算法。　　4.为检验本文改进算法的合理性，在MovieLens数据集上对本文的改进算法及对应的传统算法都进行测试，所得数据表明本文改进算法在精度指标上有了显著提升，进而确认了改进算法的合理性。