二十一世纪以来,随着互联网和电影产业的不断发展,网上的电影资源也越来越丰富,但同时用户从海量的电影中迅速地找到符合自己需求的电影也变得更加困难。为了使用户能够快速地找到自己喜爱的电影,协同过滤和个性化推荐系统应运而生。常用的推荐算法有基于用户或基于项目的协同过滤推荐算法,矩阵分解等,以上算法都是基于用户项目评分矩阵产生推荐。由于用户评分的客观因素,用户项目评分矩阵往往会非常稀疏,使得推荐效果不佳,进而导致用户的推荐体验较差。为了对传统协同过滤的推荐算法的效果进行改进,使得用户更精准地找到符合自己要求的电影,本文提出了基于矩阵分解和Xgboost的电影个性化电影推荐算法。该算法首先利用SVD++算法对用户评分矩阵进行处理,初步对评分矩阵进行缺失值填充,再利用填充完整的用户项目评分矩阵,根据评分向量对用户和电影进行聚类,继而再计算每个用户对于每一类用户两组评分向量之间的相似度,构造每个用户关于每类用户的相似度特征,对电影也做类似的处理。同时,在模型中加入用户和电影的属性（如用户年龄,性别,电影类别等）,构造一个有监督模型,并利用Xgboost集成算法对有监督模型进行训练,从而得到推荐模型并对用户的评分进行预测。本文将所提出的MFXGB推荐算法应用于Movie Lens100k数据集中,并和传统的协同过滤推荐算法产生的结果进行对比,结果显示MFXGB的推荐效果好于传统的推荐算法。本文进一步验证了在MFXGB推荐算法中,对缺失的用户评分矩阵进行填充以及加入用户和电影的自身属性对算法有明显的提升作用。最后通过该推荐算法,产生的top10推荐列表具有较好的准确率和召回率。