随着互联网和电子商务的快速发展，信息过载已经成为目前互联网用户所面临的一个严峻的问题。如何让用户在海量的商品中能快速找到自己喜欢的商品，是每个电子商务网站急需解决的难题。推荐系统是解决这一问题的其中一个有效的手段。传统的协同过滤推荐技术是电子商务推荐系统中有效和广泛应用的技术。但是协同过滤推荐技术也存在稀疏性问题、冷启动问题、抗攻击性问题和扩展性问题等急需研究解决的难题。本文采用结合信任网络和协同过滤推荐技术的方法对稀疏性问题、冷启动问题和抗攻击性问题进行研究。　　 本文根据Web信任网络的特点建立信任传播的数学模型TPM，该模型定义了一套系统合理的信任传播规则。TPM对用户之间的局部信任度进行计算，解决了用户之间的信任度量问题，适用于二值信任网络和非二值信任网络。　　 本文提出了一种融合相似度和信任度的指标——TS指标取代传统的协同过滤推荐算法中的相似度，作为区分当前用户的邻居用户和非邻居用户的标准。实验表明，使用TS指标的协同过滤推荐算法可以更加准确的搜索到更多的邻居用户，提高推荐算法的覆盖率。　　 本文在传统的协同过滤推荐算法中，应用信任传播模型TPM和TS指标，提出基于TPM的协同过滤推荐算法TPCF算法。TPCF算法在一定程度上，缓解了传统的协同过滤推荐算法存在的稀疏性问题、冷启动问题和抗攻击性问题，帮助用户在海量的商品中快速准确地找到自己喜欢的商品。实验表明，在著名电子商务评价网站Epinions.com的数据集上，TPCF算法相比于传统的协同过滤推荐算法抗攻击性更好，无论是对所有用户还是新用户，推荐的准确率和覆盖率都有所改进，其中评分覆盖率增加了大约14％，用户覆盖率增加了大约12％。