近年来，随着计算机技术的飞速发展与网络的迅速普及，人们既可以享受海量信息资源带来的便利，同时又面临着“信息超载”所带来的问题，推荐系统正是为了解决这一问题而产生的。相较于经典的搜索引擎式服务，推荐系统的个性化是其得天独厚的优势。推荐系统的研究是当前信息资源急速膨胀环境下的迫切需求，有着重要的理论价值与实际价值。协同过滤技术是当前推荐系统研究的热点之一，然而其依然存在稀疏性问题、冷启动问题需要解决，同时在算法的精准度上也尚有很大的研究空间。针对上述问题本文主要的研究对象为推荐系统以及在解决数据稀疏性和冷启动问题的前提下提高协同过滤算法的精确度的改进方法。所以，本文的主要研究内容和创新点可以概括为以下几个方面：第一，首先对推荐系统进行整体的研究，充分研究了推荐系统的相关概念，对各种推荐系统、各种推荐系统的优势与劣势以及协同过滤算法进行了深入的研究。第二，在对协同过滤算法的深入研究的基础上，针对算法数据稀疏性问题与冷启动问题，本文通过结合用户属性与项目属性，提出了一种改进的协同过滤算法。改进的算法利用推荐系统中的用户与项目信息弥补了经典协同过滤算法的不足。并且不同于简单的组合，算法可以根据评分数据集的特点动态的调节用户和项目属性信息在评分预测中所占的比重，使得算法的准确度进一步提升，并且通过实验验证了这一结论。第三，以电影推荐系统为例，通过之前对现有协同过滤推荐系统的总结与分析，设计并实现基于改进的协同过滤算法的推荐系统，以检验改进算法的实用性。