随着生活水平的不断提高,多样化多口味的饮食成了人们关注的话题。由于个人的饮食知识水平的有限,人们大都通过搜索引擎或美食网站来查找信息,选择菜谱,规划饮食。但是搜索引擎冗余信息太多,使用不方便,而饮食推荐系统能根据用户基本信息、偏好信息等提供饮食推荐,因而越来越受到人们的青睐。目前国内的饮食推荐系统大多是基于美食网站和手机APP的,通过用户提供个人信息进行推荐,但当前的饮食推荐服务存在以下几个问题及难点:第一,用户对菜谱偏好的不确定性和描述上的模糊性导致对用户偏好度建模困难;第二,由于用户-菜谱评分矩阵数据稀疏的问题,导致协同过滤推荐用户评分预测准确度低;第三,现有菜谱推荐没有考虑营养均衡问题,不符合现代人的饮食观念。针对当前饮食推荐方法存在的问题,本文在前人研究基础上进行了研究,本文的贡献和创新点包括以下几点:（1）采用构建用户偏好模型的方法进行个性化菜谱推荐。首先,选择菜谱的部分特征属性来描述菜谱,包括烹饪方式、烹饪难度、口味等;然后综合用户已经评价过的菜谱特征和评分,使用机器学习方法拟合出用户偏好模型,最后,通过偏好模型计算用户对未知的菜谱评分,将高评分菜谱推荐给用户。（2）采用基于偏好模型填充的协同过滤推荐算法进行菜谱推荐。首先,为解决偏好模型推荐结果往往会过度特殊化,缺乏对用户潜在的挖掘能力的问题,本文选择了基于用户的协同过滤进行菜谱推荐;然后,为了解决协同过滤推荐中用户-项目评分矩阵过度稀疏的问题,本文选择了评分填充的方法,对每个用户构建偏好模型,预测未评分项目的评分,以填充后的评分矩阵计算用户相似度并找出最近邻,最后采用平均加权的策略,预测菜谱评分,将高评分菜谱推荐给用户。（3）提出了营养均衡优先和喜好度优先的菜谱组合推荐模型。以中国膳食营养摄入量为标准,结合用户个人信息,以菜谱的营养含量表为解空间使用多目标遗传算法求解,得出符合营养摄入要求的菜谱和对应的食用量进行推荐。