计算机的普及与互联网的应用加速了信息的增长和传播，促进了信息产业的发展。当今信息的传播速度已经大大超过了人类的掌握能力，又反过来制约了信息产业的发展，新兴的电子商务也面临同样的问题。作为当今应用最广泛、最成功的个性化推荐方法，协同过滤技术根据消费者的浏览偏好与购买历史，通过最近邻搜索算法和评分预测方法，帮助消费者筛选有用资讯，并向其提供最符合个人需求的购买建议，增强了电子商务系统的互动体验和销售能力，促进了电子商务的进一步发展。　　 然而，传统的协同过滤算法存在准确性低、评分预测覆盖率小、算法扩展性差等问题，这极大地降低了现实中推荐系统预测结果的质量。为了克服这些问题，提高协同过滤算法的整体性能，本文在讨论相关性与合理性的基础上，将基本的SimRank算法和协同过滤的思想相结合，并加入分类和聚类的方法分割原始评分矩阵，使用认知度概念修正用户相似性值，构建出一种新的基于SimRank++的协同过滤推荐算法。　　 针对新的协同过滤推荐算法，本文首先从理论角度分析算法性能并讨论其扩展性，然后使用标准数据集MovieLens进行实验对比和综合优化，通过分析多个传统算法的实验结果，体现新算法的推荐准确性和优越性。论文最后还将新算法应用到现存的社交网络系统中，在实现具体的MVC模型设计的基础上验证新算法的拓展性。