随着网络社交媒体的迅猛发展,微博已经成为人们获取信息、进行日常交流的重要渠道。庞大的微博用户群体导致微博信息爆炸性增长,信息过载和知识缺乏问题越发突出,用户获取感兴趣微博难度增大,因此向用户推荐高质量信息,满足用户的信息需求就显得尤为重要。由于传统微博推荐算法存在数据稀疏性问题,学者们开始研究引入证据来提升推荐性能,而现有的组合证据的微博推荐算法存在组合证据方式较为单一、缺乏灵活性和可扩展性差的问题。为解决此问题,本文将信念网络应用到微博推荐中,构建基于信念网络的微博推荐模型。论文的主要工作包括以下三个方面:（1）构建基本信念网络推荐模型。首先,将微博、兴趣特征词和用户模型化为与二值随机变量相关的节点,使用有向弧来表示节点之间的关系,依据节点以及节点之间的关系构建出基本信念网络推荐模型（Basic Belief Network Recommendation model,BBNR）。然后,基于贝叶斯条件概率计算微博与用户的相关度来实现推荐。该模型具有较强的通用性,通过对推荐过程中的概率函数进行合理定义,可以将不同模型（如布尔模型、概率模型和向量空间模型）的特点借助该框架表示出来。并且该模型具有良好的扩展性,可方便地将多源证据信息融合到同一个框架中,以缓解数据稀疏性问题,改善推荐效果。（2）构建融合用户交互微博的扩展模型。首先,利用基本模型方便组合不同证据的特点,将交互微博作为证据,构建融合用户交互微博的扩展模型（Extended model with User Interaction Microblogs,EUIM）。将两种证据网络中的节点模型化为二值随机变量节点,并使用不同的符号表示来区分两个证据网络中的同一微博节点或用户节点。然后,通过合取（and）和析取（or）两种组合操作融合交互微博证据来实现排序计算。（3）实验采用新浪微博数据集进行有效性验证。设置两组对比实验:（1）BBNR模型和EUIM模型的推荐算法性能比较、EUIM模型的两种组合方式的推荐算法性能的比较;（2）EUIM模型和其他推荐算法的推荐性能比较。实验结果表明,本文所提出的推荐方法在组合证据提高推荐性能方面更有效。