随着学校图书数量的增加，如何从海量图书中推荐读者感兴趣的图书成为了一个亟须解决的问题。图书推荐的目标是主动挖掘读者与图书的关联信息并为读者提供准确的推荐服务。对图书推荐的深入研究有利于读者快速找到自己所需的图书，也将对校园信息化等应用领域产生深远的影响。因此研究图书推荐算法并构建一个具有精确性和个性化的图书推荐系统具有十分重要的理论意义和应用价值。　　本文重点研究了基于隐语义的协作过滤图书推荐方法与基于聚类专家选择的协同过滤图书推荐算法。针对协同过滤算法难以处理高维度以及稀疏数据等问题，提出了相应的解决方案，该方案考虑了用户在预览图书时的时间以及用户与用户之间的相似度，提高了算法的推荐精度。　　论文的主要工作有以下几个方面:　　(1)针对协同过滤算法难以处理高维度以及稀疏数据等问题，提出了一种基于隐含语义分析的协同过滤图书推荐算法，该算法融合了用户的显性反馈与隐性反馈信息，考虑了用户在预览图书时的时间以及用户与用户之间的相似度，提高了算法的精度，运用统计方法来发现用户在图书使用过程中潜在的语义结构，分析用户对图书的兴趣度，帮助用户快速发现感兴趣的图书，提升了用户体验。　　(2)随着用户数与图书馆图书数量的增加以及图书馆图书推荐系统规模的扩大，图书推荐算法面临着扩展性问题。为此，提出了一种基于聚类专家选择的协同过滤算法(Experts Recommend the Book Selection based on Clustering，ERSC)，该算法对专家进行了重定义，将专家映射为简单易测的度量，引入聚类方法将项目空间分成不同领域，从每个领域中选择出代表组成专家集。　　(3)设计并开发了基于隐语义协同过滤算法与基于聚类专家选择的图书推荐系统，该系统由用户登录模块，推荐模块，图书展示模块以及显示用户数模块等组成。