随着Internet的普及，电子商务也成为当下的主流，每天Internet上的信息更新量呈指数级增长，导致出现“信息过载”的现象，浩瀚的信息中有99%的信息是用户不需要的。用户难以在海量的信息中快速找到自己所需的产品，因此，个性化推荐系统随之产生，其中协同过滤推荐技术又是个性化推荐系统研究热点之一。然而，这在实际运用过程中，仍然存在着诸多问题亟待解决，譬如：用户对商品评价数据的稀疏性问题；随着用户和项目数的增多，推荐系统的性能将会随之降低等。本文针对当前存在的这些问题，将对传统的协同过滤推荐算法进行改进。本文的主要研究工作如下：(1).阐述了当前推荐技术在国内外的研究进展，对推荐系统的分类、结构及技术难点作了比较深入的讨论，在这基础之上，对推荐系统中协同过滤技术进行了重点研究。(2).详细的分析协同过滤技术中基于用户的协同过滤（User-basedCF）和基于项目的协同过滤技术（Item-basedCF）的适用环境及潜在的问题，如协同过滤推荐算法中存在的数据稀疏性问题等，并提出使用非负矩阵分解技术来解决，取得了较好的效果。(3).针对传统协同过滤技术中存在的数据稀疏性和扩展性问题，本文提出了利用非负矩阵分解技术对用户和项目评分矩阵进行规范、简化和降维处理，提出了以聚类算法进行划分不同用户类型，并将聚类划分用户结果作为最近邻居，最后通过协同过滤算法进行预测评分，产生推荐。(4).通过使用MovieLens站点数据进行模拟比对实验，验证了本文所提出方法的有效性。