近年来，互联网尤其是移动互联网规模和技术发展迅猛，智能移动设备如智能手机、平板电脑等大量普及，智能手机用户数量剧增。移动应用作为智能手机的重要组成部分，改变了用户的生活方式、工作方式、学习方式等，在系统设计与开发中占有重要地位。移动应用市场如Google Play Store、Apple App Store等中的移动应用数量达到了百万级别，海量的移动应用在给用户提供便利、开发人员提供参考的同时，也带来了新的挑战。从用户角度来看，在海量应用中找到自己感兴趣的应用面临巨大困难；从开发人员角度来看，在海量应用中选取合适的应用作为参考耗费大量精力。与此同时，智能手机用户低龄化是一个不可忽视的趋势，如何防止低龄用户沉迷于智能手机是一个亟待解决的问题。　　本文对移动应用个性化推荐进行研究，首先对推荐算法进行了改进，提出了一种基于用户分裂的资源扩散算法。在调研个性化推荐算法的过程中，发现用户在时间维度上积累的兴趣偏移对推荐算法的准确率影响很大。在基于图模型的资源扩散算法的基础上，将时间上下文信息融入算法中，提出了一种基于用户分裂的资源扩散算法，改进了传统的资源扩散算法。改进算法把兴趣随时间发生变化的用户看作多个用户，即采用用户分裂思想引入时间上下文信息，更加充分的利用了数据信息，通过实验对比发现，和传统的资源扩散算法相比，改进算法的准确率明显提高。然后将基于用户分裂的资源扩散算法应用于移动应用推荐领域，设计了一种面向智能手机用户和开发人员的移动应用推荐系统并实现了系统原型。对用户进行移动应用的个性化推荐时，不仅使用个性化推荐算法迎合用户的兴趣偏好，而且根据用户个人信息中的人口统计学特征，如年龄、性别等提供了不同的推荐策略；为方便开发人员在海量的移动应用中寻找参考信息，系统为开发人员提供了应用的用户画像、基于用户特征的应用查询、移动应用之间的关联度等。最后从信息论的角度，看待移动应用产生、生长、衰亡，进行系统维护。