伴随着信息技术和互联网的快速发展,特别是近年来电子商务网站和社交网站的出现,信息资源过载已经成为用户和供应商面临的一个严峻问题,推荐系统成为解决这一问题的一种有效手段,它根据用户信息分析用户兴趣或项目间的联系,为用户提供个性化的推荐服务。协同过滤算法是目前应用广泛的一种个性化推荐技术,传统的协同过滤算法又分为基于用户和基于项目的协同过滤。基于用户的协同过滤算法根据用户的历史评分记录计算用户间的相似度,为用户找到最近邻,综合这些最近邻的评分记录产生最后的推荐。由于用户评分数据具有稀疏性、冷启动等问题,推荐的准确率受到了严重影响。另一方面,随着系统用户和项目的不断增加,为用户产生推荐的时间消耗会不断增加,影响了系统的可扩展性和推荐效率。本文根据以上传统协同过滤存在的相关问题,提出一种基于信任用户联合聚类的协同过滤算法。该算法在系统后台预处理阶段将用户进行聚类,减少系统搜索最近邻的用户规模,提高推荐效率和系统的可扩展性。在前台推荐过程中引入用户间的信任关系,将用户的评分相似性和用户信任度相结合,提高了推荐的准确率,而且在一定程度上可以解决用户的冷启动问题。针对本文提出的算法,在所选数据集上分别与一些传统的协同过滤算法进行了对比实验。实验结果表明,本文提出的基于信任用户联合聚类的协同过滤算法,在用户评分矩阵高度稀疏的情况下能够有效的提高系统的准确率。