近年来,随着互联网技术、信息技术和移动通讯技术的成熟以及服务经济的快速发展的拉动下,以移动性、个性化等主要特征的移动电子商务成为了电子商务发展的新方向。移动电子商务的出现,为来自精确营销、比较购物、动态供应链和实时优化配送等方面的迫切需求提供了前所未有的机遇,同时移动电子商务的移动性和个性化两点是传统电子商务所不具备的,它们给面向移动电子商务的商务智能技术,尤其是个性化推荐技术也带来一系列急需解决的问题。本文的具体研究工作如下：(1)对移动电子商务环境下个性化推荐理论及方法研究的发展现状进行了概述和总结；(2)分析移动环境下的用户消费模式,针对当前客户分类算法的不足,在前人研究的基础上提出了一种混合型聚类算法KSP,提高了聚类精度和收敛性能；同时,建立一套移动电子商务用户价值评价指标体系,弥补了餐饮客户细分模型相对较少的不足；(3)针对移动电子商务中个性化推荐的应用特点,提出了事务矩阵的概念,极大压缩了事务数据库的存储空间和存取效率。设计了基于事务矩阵的频繁项集挖掘过程,提高了算法的执行效率；同时,提出考虑情境因素的改进规则兴趣度度量方法,提高了规则的质量。大量实验结果表明,MIAR同时提高了的用户偏好的挖掘效率和个性化推荐质量；(4)针对协同过滤推荐的稀疏性和传统相似度度量的不足,提出一种结合了考虑情境的用户聚类和用户间互动行为的改进协同过滤模型。前者可有效降低用户评分的稀疏性,后者则改进了传统相似度度量方法过于偏重用户数据的不足。实验结果表明,该模型能够有效提高协同过滤算法的评分预测精度,进而提高个性化推荐质量；(5)在本文提出的理论和方法基础上,设计了一个面向移动电子商务的个性化推荐系统。同时,实现了本文提出的改进算法,并将改进算法以COM组件的形式应用在一个移动电子商务环境下的餐饮个性化推荐环节中,该部分数据分析功能在结构上独立于业务模块,具有较好的可移植性和可维护性。本研究在一定程度上推动了移动电子商务环境下个性化推荐领域相关研究的发展,并对实践应用提供了有利的理论及方法支持。