Web服务是实现面向服务的计算(Service-Oriented Computing，SOC)最具发展前景的技术之一。快速发展的Web服务技术实现了软件资源的有效复用，减少了软件重复开发代价，极大地方便了企业或个人进行个性化应用的定制。互联网的迅速发展使得Web服务的数量不断增多，提供相似功能的Web服务也越来越多，从而加大了服务选择的难度。服务质量(Quality of Service，QoS)信息是区分具有相似功能的Web服务的重要信息。因此，有必要大力发展基于QoS的个性化Web服务推荐技术，辅助用户进行服务选择，从而提升用户的服务使用体验。本文面向个性化Web服务推荐系统的技术需求，从用户个性化需求入手，综合协同过滤算法、时间系列模型、概率统计模型、自动控制理论等重点研究个性化QoS预测、用户个性化指标偏好预测、Web服务推荐系统自动更新等关键技术。本论文的主要研究内容如下:　　1.针对基于邻域的协同过滤算法在个性化QoS预测过程中缺乏对QoS时间动态性的考虑且易受数据稀疏性的影响，提出了时间感知且可容忍数据稀疏性的个性化QoS预测方法。设计指数衰减函数对QoS的时间动态性进行建模，并用其修正协同过滤算法的相似性计算和QoS预测环节;基于计算所得的相似性构建用户和服务相似性网络图，在图上执行混合个性化随机游走算法，在数据稀疏的情况下为目标用户和候选服务寻找更多的潜在相似邻居，利用潜在相似邻居提供的较为丰富的历史QoS信息，实现目标用户对候选服务的未知QoS信息预测，从而缓解数据稀疏性的不良影响。　　2.针对上述经验性指数衰减函数对QoS时间动态性的刻画仍然不够精细的缺点，提出了一种改进的时间序列模型和协同过滤相结合的个性化QoS预测机制。利用滑动平均自回归模型(AutoRegressive Integrated Moving Average，ARIMA)描述Web服务本地QoS序列的内部依赖结构，通过卡尔曼滤波的反馈机制实时修正QoS序列的预测过程，获得较为精确的本地QoS预测结果;协同过滤算法能较好地考虑用户的个性化因素，通过将改进的时间序列模型和协同过滤机制相结合，实现精确的用户端个性化QoS预测。　　3.针对用户指标偏好在个性化Web服务推荐过程中所起的重要作用，提出了一种基于隐语义概率模型的个性化指标偏好预测方法。隐语义概率模型借助隐含类别建立用户、服务情境和指标偏好三者之间的依赖关系;基于层次分析法(Analytic Hierarchy Process，AHP)收集的历史指标偏好信息，采用期望极大算法(Expectation-Maximization，EM)对隐语义概率模型进行参数训练;利用训练好的模型，实现不同服务情境下的用户个性化指标偏好预测。　　4.针对传统协同过滤算法只在静态环境下进行评估、无法适应实际中动态运行系统的缺点，提出了一种基于自动控制机制的Web服务推荐系统自动更新方案。根据新涌现的训练数据对系统性能的不同影响，将其分为主要扰动和不可观测因素两类，利用前馈-反馈控制机制将不同类型的训练数据以不同的方式投入算法重训练，在保证预测精度的同时尽可能减少系统计算开销，实现系统自动更新，同时设计了一种基于消息中间件ActiveMQ的QoS信息传播原型系统，为实际推荐系统中协同过滤算法的实现提供技术支撑。