21世纪以来,全世界科技水平不断提高,信息呈现爆炸式增长,人们从寻找信息的模式变成了寻找有用信息的模式。从海量信息中寻找到对自己有用信息的手段有很多,推荐系统是其中最重要也是最广泛使用的手段之一。各大网商通过使用推荐系统对用户进行个性化的推荐,都取得了不错的成果,这也为推荐系统在高等院校图书推荐领域的应用提供了可能性。推荐系统中的算法有很多,其中最经典应用最广泛的是协同过滤算法。本文对基于用户和基于项目的协同过滤算法进行了深入研究,针对高校图书推荐的特殊性,如借阅数据而无法直接使用,相似度矩阵太过稀疏而无法产生推荐等问题,改进了这两种算法。但是这两个算法在高校图书推荐领域都有着各自的优劣势,通过对两者的结合,提出了混合推荐系统模型。最后通过实验对比了混合推荐算法与单一推荐算法的各项评价指标,为应用于高校图书推荐提供了理论支撑。本研究的主要工作有以下五个部分:第一部分,深入研究了推荐系统的原理以及一些经典的推荐算法,并对推荐算法应用在高校图书推荐领域的可行性进行了分析,然后构建了基于读者(RCF)和基于图书(BCF)的协同过滤算法模型。第二部分,由于高校图书推荐不同于电影推荐或者商品推荐,它不包含用户对物品的评分,针对这一特点,通过对图书借阅记录的处理,提出一种量化评分模型,将读者对图书的偏好定量化,在此基础上,构建了读者-图书的评分矩阵。第三部分,针对读者-图书评分矩阵过于稀疏的特点,将中文图书分类法与图书借阅记录相结合,构建了读者-图书类别评分矩阵,然后在此基础上改进了基于读者和基于图书的协同过滤算法。第四部分,通过对改进后的RCF和BCF结合,构建了混合推荐系统(HCF)模型,然后进行了实验验证,并评估了三种算法模型。第五部分,根据模型的结果,对高校图书推荐系统的应用提出了自己的建议。