随着网络与图书资源的不断膨胀，面对这些以级数增长的数据量，若没有对这些数据进行处理的系统或技术，读者就很难从中找到自己感兴趣的图书。个性化图书推荐技术的发展使图书馆的管理实现了自动化和个性化，使读者能够在海量的图书馆资源中找到适合自己的图书和信息，帮助图书馆提高资源的利用率，真正的实现资源共享。　　在个性化推荐系统中，协同过滤是目前运用比较广泛和成功的推荐技术之一，但随着用户和资源基数的不断增加，协同过滤也面临着诸多的问题，像数据稀疏、相似性度量难、冷启动等问题。同样的，图书馆中的各种书籍、期刊、杂志、报纸等资料玲琅满目，时间越长，堆积的资料数量就越大，这对推荐系统的性能是一个极大的挑战。针对这些难题，本文对传统算法进行相应的改进，主要做了以下工作：　　第一，详细分析了传统协同过滤技术面临的各种问题，提出一种基于云模型的云填充方法，与传统填充算法不同，本文方法充分考虑了项目的统计特征，实验结果证明本文提出的算法能有效的改善冷启动问题。　　第二，对传统蚁群聚类进行深入研究，提出一种改进的蚁群聚类算法，提高了聚类的质量和效率。　　第三，对图书推荐技术进行研究，将蚁群聚类和云填充用于协同过滤，并把该算法应用到图书智能推荐中，根据实证，该算法解决了数据稀疏、低效的问题，提高了推荐的效率。　　第四，为验证本文改进算法的有效性，设计了相关对比实验，证明了本文提出的图书推荐算法的可行性和高效性。