移动互联网技术和位置信息采集技术的飞速发展使网络成为人们获取和分享信息的主要渠道，如何从大量的数据中搜索到符合用户需求的信息，成为各个研究领域的热点话题。尤其是在旅游行业，人们在社交网站上通过共享照片来分享旅游经历，产生了大量的时空数据，这些时空数据主要包括地理位置（经、纬度）、拍摄时间、照片描述等信息，这些数据对移动用户旅游行为的分析、用户兴趣偏好的挖掘、以及为用户提供景点推荐具有极其重要的意义。目前，旅游行业的信息推荐研究主要集中在个性化旅游推荐与经典旅游推荐两个方面，其中，经典旅游推荐仅仅是对旅游地的流行景点进行分析研究。个性化旅游推荐研究是基于用户历史旅行轨迹，向用户推荐符合其旅游偏好的有价值景点以及为用户规划最优旅游线路。但是,目前的研究存在以下问题：用户的相似度计算不够准确，计算复杂度较高；未考虑用户偏好与流行景点对推荐的共同影响；没有考虑用户当前上下文信息对推荐结果的影响；未考虑目标城市的天气情况对用户景点选择的影响。针对以上问题本文做了如下工作：（1）改进了用户相似度算法。本文提出了核心用户的概念，并根据照片的标签信息，为景点增加语义信息，挖掘用户喜爱的景点类型。我们在核心用户兴趣矩阵和景点类型的基础上进行相似度计算，降低了计算复杂度，提高了算法的效率和准确率。（2）提出了一种基于用户兴趣偏好和景点流行度的CIAP（Combination of interest andpopularity）推荐算法。该算法定义了用户相似度与景点流行度函数，通过设置相似用户的景点推荐权值和景点流行度权值，得到最优推荐结果。（3）结合了上下文感知推荐算法。本文根据用户当前的时间和天气上下文感知信息，对景点进行过滤，为用户推荐适合其当前条件的景点，为用户带来了更好的旅行体验。本文利用从Flickr开放接口获得的数据集进行了充分的实验，评估了CIAP算法在不同权值设置下的推荐效果，验证了CIAP算法有较好的综合推荐性能，并将比我们的推荐算法和其他算法进行了比较，证明了我们的推荐算法有更好的推荐效果。