目前个性化推荐研究还存在诸多挑战,如稀疏性问题和冷启动问题,尤其是社交网络环境下的个性化推荐有待挖掘,所以在社交网络环境下对结合信任的个性化推荐方法研究非常有意义。针对论文研究问题,先对传统推荐方法进行分析,包括传统推荐方法的分类,面临的问题；接着对结合信任的个性化推荐方法进行理论整理。通过以上分析,提出以下三种结合信任的个性化推荐方法：提出了一种基于信任传播的TSRCF协同过滤个性化推荐算法,在信任传播的基础上,提出了信任度,相似度,关系度的混合权重TSR,取代了传统的协同过滤算法的相似度,作为寻找邻居用户的标准。TSRCF算法在一定程度上缓解了稀疏性问题,帮助用户在信息过载的情境下得到高质量的推荐。在Epinions数据集和FilmTrust数据集上的仿真实验也验证了TSRCF算法比传统CF算法有更高的推荐精确度；针对稀疏性和冷启动问题,提出一种结合信任和相似度的随机游走个性化推荐算法,利用二者的综合权重TS,应用于随机游走算法。实验结果表明,在全用户数据集和冷启动数据集中,算法比其他参照算法在准确率,覆盖率等方面均有提高,时间复杂度也有改善。信任度采用数据集内用户评价的信任度,并没有采用信任度公式计算用户对其他用户的信任度。算法改善了推荐精确度,覆盖率,优化了推荐质量。在社交网络中,提出一种基于K-means聚类的信任网络个性化推荐方法,通过对信任用户的聚类使得冷启动问题大大改善。在Epinions数据集上的仿真实验表明,算法能够改善传统的推荐算法面临的稀疏性问题和冷启动问题,算法比传统推荐算法在精确率,覆盖率等方面均有提高。