随着Internet的快速发展，人类社会正式进入了信息社会和互联网的网络交互时代。国内外涌现了各种不同的社交网站，如Facebook，twitter，Flickr，新浪微博，人人网等。在社交网络中，用户添加其他的用户为自己的好友是社交网站提供的最基本的功能。而面对数量日益增长中的社交网络用户，如何添加和自己有共同兴趣爱好的其他用户成为自己的好友，对于目前的推荐算法是一个巨大的挑战。社交网络中的好友推荐系统就是针对这一难题而出现的。在社交网络中现存的好友推荐算法大多只考虑长时间使用的用户，而对新注册的用户推荐准确度明显不够。同时过多的考虑用户之间的共同好友，或者是过多的给用户推荐一些热点用户，无法为用户提供个性化的好友推荐。本文详细地分析了目前流行的推荐算法，研究了已经运用在社交网络中的好友推荐机制。针对目前社交网络中好友推荐存在的问题，提出基于内容和社会过滤的好友推荐算法，该算法能够综合地考虑用户的个人信息和现有的人脉好友。首先，本文对社交网络中的对象进行了定义，并分析了目前优化推荐算法性能的最常用的方法。其次，提出基于内容推荐算法计算用户之间的相似性，得出一个与目标用户相似度最高的用户集合。然后，提出社会过滤算法，使用关联规则计算与用户相似度最高的用户集合中与目标用户共同好友数量最多的用户，组成一个共同好友最多的用户集合。最后结合用户的个人信息和社会关系两种推荐因素，推导出个性化好友推荐算法。在实验部分，先设计了验证算法的推荐系统，为测试算法的性能做出技术平台支持。在实验数据的处理方面，先把用户的个人信息和社会关系较少的用户过滤掉，对个性化算法进行性能测试。为了验证提出的算法也能够有效的为个人信息和社会关系较少的用户推荐好友，推荐系统中加入了可以新添加用户的功能，把过滤掉的用户添加进来重新对算法进行验证。通过实验的验证以及准确率和召回率的评测显示，本文提出的方法有效地解决了好友推荐中新注册用户以及用户信息较少无法准确推荐的问题，同时也比传统的算法在好友推荐性能上有较为明显的提高。