互联网以及移动互联网的快速发展，信息量呈井喷状增长。面对海量的信息，用户获取信息越来越困难。为了解决这些问题，搜索技术和推荐技术应运而生。搜索技术是系统根据用户输入的查询条件检索信息，推荐技术是系统根据用户的喜好，自动的为用户呈现信息。　　在个性化推荐系统，用户兴趣模型是基础、个性化推荐算法是核心。本文首先介绍了个性化推荐研究、用户兴趣模型、协同过滤推荐算法的研究现状，分析现有用户兴趣模型和协同过滤推荐算法的不足。在此基础上，对用户兴趣模型和协同过滤推荐算法进行研究，完成的主要工作如下:　　(1)针对向量空间模型的局限性以及用户的兴趣漂移问题，本文给出了一个两层的多维用户兴趣模型，并且给出了针对模型的更新算法，使得能够更好地捕捉用户的兴趣漂移。　　(2)针对协同过滤推荐算法中用户冷启动问题，给出了新用户推荐算法。该算法利用用户特征计算用户之间的相似度，寻找目标用户的最近邻居，根据最近邻居对项目的评分来预测目标用户对这些项目的评分，把评分较高的项目推荐给用户。　　(3)针对协同过滤推荐算法中的项目冷启动问题，给出了新项目推荐算法。该算法利用项目属性计算项目之间的相似度，寻找目标项目的最近邻居，根据最近邻居被用户的评分来预测这些用户对项目的评分，向评分较高的用户进行推荐。　　(4)根据多维用户兴趣模型，在用户相似度计算中加入用户兴趣度相似，改进了协同过滤推荐算法。协同过滤推荐算法通过计算用户之间的评分相似度来寻找最近邻居，本文算法通过计算用户之间的兴趣相似度来寻找最近邻居。　　最后，通过实验表明本文提出的算法在推荐准确率和召回率上有一定的改进。