电子商务个性化推荐技术，日益受到学界和商界的重视，在实际运用中十分广泛。迄今为止，协同过滤技术是个性化推荐系统中应用最为成功的推荐方法。但是，随着用户数量和项目数量的增加，用户-项目评分矩阵越来越稀疏，传统的相似性度量方法并不能有效计算用户之间的相似性，从而导致协同过滤算法推荐精度不高。研究表明，在传统协同过滤算法的基础上，结合由用户对用户的信任评价组成的信任网络，可以从一定程度上改善这一问题。本文针对如何将信任网络与传统的协同过滤推荐算法相结合展开研究。　　本文首先梳理归纳了信任以及信任网络的相关研究，确定了在个性化推荐系统中信任的定义以及存在的特性，并从国内外研究结合信任网络的协同过滤推荐算法的基础上，构建了信任网络与协同过滤算法结合方式。　　然后，本文根据经典局部信任传播模型——TidalTrust，将信任用户之间的共同评分项数量作为影响信任传播的因素，提出一种新的信任传播模型。实验表明，该影响因素修正了信任传播时信任值的权重取值，使之在预测信任值时更加接近用户的真实想法。同时，在从传统相似性度量方法的缺陷出发，本文结合了共同评分项数量修正的局部信任传播模型，比较分析了信任网络与传统协同过滤算法结合的三个方式，将局部信任传播模型与传统协同过滤算法相结合，提出基于局部信任的共同评分项协同过滤算法。实验表明，在结合传递过的信任网络之后，协同过滤算法推荐效果得到了较大改善。　　最后，本文基于经典全局信任度度量方法EigenTrust，构建共同评分项数量修正的局部信任传播模型得到全局信任，并将信任网络中的全局信任度与局部信任度相结合，共同对传统协同过滤推荐算法的相似度进行修正，提出基于全局和局部信任的共同评分项协同过滤推荐算法。实验表明，在结合了全局信任和局部信任之后，协同过滤的效果比仅结合了局部信任的协同过滤算法效果更好。