互联网的日益发展使我们处于一个信息过载的时代。如何从这些海量信息中自动为用户过滤其所感兴趣内容的已经日益成为一个亟待解决的问题。同样的,随着泛在网络的快速发展,其对个性化信息服务的诉求也越来越强烈。个性化推荐系统正是解决以上问题的方法。个性化推荐系统中,如何表示、计算和更新用户兴趣己成为一个重要的研究课题。个性化推荐系统的基础部分是用户兴趣建模,用户兴趣建模的质量直接决定了个性化推荐的质量。本文研究了个性化推荐系统领域的基本流程、原理及算法；研究了用户兴趣模型的四个阶段：用户数据收集、用户模型的表示、用户模型的学习和用户模型的更新的算法原理。本文依托国家重大专项“泛在网络下多终端协同的网络控制平台及关键技术研究”,主要完成专项系统中智能推荐引擎的设计和实现以及对用户兴趣分布模式的研究工作。本文的主要工作及创新点如下：(1)智能推荐引擎设计,本文深入分析专项系统中的具体诉求,完成了专项中两个场景：视频和文档推荐场景及业务组件推荐场景的智能推荐引擎的详细设计工作。(2)智能推荐引擎实现,依据对专项引擎的详细设计,本文利用Java语言完成了对专项系统中推荐引擎的具体开发工作。并且对部分推荐算法的性能进行仿真验证。(3)有关用户兴趣分布模式的度量,本文针对在专项系统中出现的对度量用户兴趣分布模式的诉求,提出了一种引用经济学中基尼系数度量用户兴趣分布模式的方法。并通过实验验证了该度量方法的有效性。