随着各种信息处理技术的发展，人们可以访问的数字资源越来越多，如何从海量数据中方便快捷地得到人们所需要的信息成为人们非常关心的问题。　　目前的信息服务还处于一种基于关键词的、粗糙的、被动的状况，信息服务系统通过对用户输入的关键词进行简单的语法层面的匹配来获取信息。比如yahoo、google、百度等。信息检索技术满足了人们一定的需要，但由于其通用的性质，仍不能满足不同背景、不同目的和不同时期的查询请求。个性化服务技术就是针对这个问题而提出的。个性化服务通过收集和分析用户信息来学习用户的兴趣和行为，从而实现主动推荐的目的。个性化推荐技术已经广泛用于各个方面，如数字图书馆、电子商务、网页及社会信息等的推荐。　　随着近年来关于本体尤其是领域本体的研究和应用，本文在综合传统推荐方法的基础上，就基于领域本体的个性化推荐方法做了深入的研究，针对基于领域本体的个性化推荐的关键问题，提出了解决方案，并且提出了一个基于领域本体的个性化推荐框架。本文主要做了如下几个方面的工作:　　1.提出了一套基于领域本体的用户建模的方法。与传统用户建模不同的是，本文主要采取了用领域本体来表示用户的兴趣的方法。首先主要根据用的注册的基本信息构建用户类别;对于用户填写的关键词，通过K2CM方法把它转换为领域本体中概念;自动收集用户的行为，通过计算分析得到用户的动态感兴趣的领域本体中的概念，并及时更新用户的兴趣。通过整合用户的静态和动态的兴趣并且用领域本体来表示用户的兴趣，较传统的用户建模方法有更高的准确性。　　2.在资源组织方面，本文提出了一种新的组织资源的方法，即按照其适合的用户的类别对资源进行分类，分类后一个类别的资源对应一个类别的用户。这是一种新的组织资源的方法。　　3.本文提出了一种解决冷启动问题的方法。协同推荐方法是目前比较流行的一种推荐方法，有研究表明，如果有足够的历史记录，协同过滤推荐方法往往比其他推荐方法要好，然而协同推荐方法有一个比较严重的“冷启动”问题。本文提出了一种新方法来解决协同推荐系统中的冷启动问题。在解决协同推荐系统冷启动的时候，把用户按照不同的属性分成不同的类别，根据用户对资源的行为把资源分成不同的类别，这些资源类别和特定的用户类别对应。对于新的用户和新资源，分别采用一定的方法把其对应到相应的类别中去，这样就可以在一定程度上解决了推荐系统中的冷启动问题。　　4.提出了一个基于领域本体的个性化推荐系统的框架，进行了模拟实验，并取得了比较好的结果。