伴随着互联网的飞速发展，互联网的信息愈来愈多，呈指数级别增长。如何在这些海量信息中发现有价值的知识信息，是每个电子商务商家面对的重要问题之一。Web数据挖掘作为一门涉及多个领域的综合技术，旨在从海量的、不规则的、含噪声的数据中，提取出隐含于数据中的、人们事先未知的而又潜在有用的知识信息。只有将Web数据挖掘的结果应用于实际中，才能最终使用户受益，这便涉及到Web数据挖掘的一个重要应用——推荐。推荐系统根据Web数据挖掘的结果，分析用户的行为喜好，然后将用户需要的物品推荐给用户。推荐系统的核心是算法，本文对推荐算法中的关联规则和聚类进行了详细的分析与研究，并对关联规则算法中的Apriori算法和聚类分析中的K-means算法提出了对应的改进方法。关联规则和聚类分析是推荐系统中应用较为广泛的两种方法。Apriori算法是关联规则分析的一个经典算法，本文针对关联规则生成的两个过程，提出了改进方法。在生成频繁项集过程引入数组的概念；在生成关联规则过程中引入树的概念。针对聚类算法中的K-means算法对初始聚类中心依赖较大的问题，本文提出两种新的初始聚类中心选择方法，并对改进后的算法同原有算法进行了对比。论文最后对关联规则和聚类算法在推荐系统中的应用进行了分析，两种算法相互结合能够提高推荐准确率，进而提高推荐系统的性能。通过对Apriori算法进行改进，有效降低了数据库的扫描次数、减少了冗余规则的产生；通过对K-means算法的改进，优化了初始聚类中心的选择方法，从而提高了聚类准确率。