互联网的普及和电子商务系统的快速发展，带来了信息量的爆炸式增长，过量的信息使用户无法快速找到所需商品。推荐系统在这样的背景下应运而生，协同过滤是推荐系统中应用最广泛的技术。但由于用户项目评分矩阵的稀疏性，协同过滤无法为用户提供满意的推荐结果。在推荐过程中引入用户间的信任关系，可以在一定程度上缓解协同过滤算法存在的问题，但用户的信任评分矩阵同样面临着稀疏性问题，以致无法为用户准确推荐。因此，如何有效利用用户的信任信息来提高推荐系统的推荐质量已成为一个广泛关注的问题。本文综合分析了国内外研究现状，并在此基础上进一步对基于信任网络的协同过滤推荐算法进行了研究。首先，针对现有基于信任的协同过滤推荐算法中用户信任评分矩阵稀疏性问题，提出了一种信任网络扩展算法。通过用户间的信任评分计算用户的相似度，找出与每个用户相似度高的用户集合，并对不同用户间的信任度进行区分，利用区分后的信任度和相似用户集预测新的信任关系，实现对信任网络的扩展。其次，针对现有基于信任的协同过滤推荐算法只考虑用户在单个信任网络中的信任信息，提出一种融合双重信任网络的协同过滤推荐算法。该算法结合信任传递，根据用户在双重信任网络中的不同位置，采用不同的信任度计算策略来获得目标用户对共同评分用户的信任度，并将信任度作为预测评分的权值，代替传统协同过滤推荐算法中的相似度来进行预测评分。最后，通过实验验证本文提出的信任网络扩展算法的有效性，并将融合双重信任网络的协同过滤推荐算法和其他推荐算法进行实验对比与分析。