当前,推荐技术已经被广泛应用于电子商务等领域来解决“信息过载”问题。同时,用户评论中的情感信息是进一步挖掘用户偏好、提高推荐质量的关键因素之一。目前,推荐领域普遍采用的情感量化方法忽略了新词对于分词的影响,从而导致情感值量化不准确,并且在数据稀疏环境下难以建立情感模型,严重影响了推荐结果的质量。本文结合用户的评论信息、社交信息等多源数据,构建基于用户情感分析与信任关系的推荐模型,进而将推荐系统的推荐质量进行提高。主要工作与贡献如下:（1）为了解决用户评论中情感信息难以量化的问题,提出了一种基于用户评论的情感分析算法。基于用户情感分析的推荐算法最关键的步骤在于情感值的分析量化,首先基于用户的评论提取兴趣度高的特征构建新的情感词典,然后利用褒义词与贬义词的特点建立评论情感量化模型。实验结果表明,相比基础情感词典的情感分类的准确度,新建的情感词典的情感分类准确率明显提高,说明了所提算法能够更准确的量化用户情感值。（2）为了解决量化用户情感信息后难以建立推荐模型的问题,提出了一种基于用户情感分析的混合推荐模型。现有的推荐系统多使用全局特征,利用用户对特定主题的兴趣进行建模,缺乏对于用户情感信息中可挖掘的用户兴趣、偏好的考虑。因此,本文提出一种结合协同过滤、基于内容过滤和用户评论情感分析的混合推荐模型。其中,利用情感分析技术能够更深层次挖掘每一条评论信息所包含的用户喜好。在具体实验验证过程中,使用来自Twitter的情感分析数据以及电影元数据来推荐电影。情感分析技术提供了关于观众对某部电影的主观喜好信息。利用加权分数融合方法将用户情感值融入推荐排序过程中来改进推荐模型有效提高了推荐的准确率。（3）为了解决用户数据稀疏导致基于情感分析的推荐系统推荐质量难以提高的问题,本文在结合所提的情感分析算法的基础上,提出了一种融合用户情感信任度的推荐算法。首先基于用户评论情感数据构建用户信任网络,然后结合符合现实约束的“六度分隔理论”对其进行优化,最后基于信任网络中的用户情感信任相似度挖掘信任用户从而实现推荐。实验表明本文所提算法在推荐误差方面的表现要优于现有的同类算法,验证了所提算法的合理性。