随着信息技术的不断发展,协同过滤推荐技术作为目前以及未来最重要的推荐技术之一,是电子商务系统重要的研究方面。传统的过滤推荐系统依旧存在着一些需要研究解决的问题。例如：数据稀疏性、冷启动、时间差异对于推荐造成的影响等问题。本文对推荐系统的概念定义,研究内容,还有组成部分进行了比较深入的探究,并且比较详细的介绍了相关的推荐技术,比较分析了这些推荐技术的优点和缺点。在此基础上,重点研究协同过滤推荐技术,分析和研究目前相关算法中存在的问题,并探究当前协同过滤算法的改进思路。内容主要包括：首先分析现有的主要推荐技术方法,并且比较总结这些技术中存在的不足和缺陷。其次探究协同过滤推荐技术中存在的主要问题,并探究数据稀疏性和时间的影响问题,比较了传统的基于用户的和基于项目的协同过滤算法的异同点,并介绍了常见的相似度计算方法：余弦相似度,修正的余弦相似度和相关相似度。然后介绍了云模型的相关内容,并且将云模型引入协同过滤推荐算法中,利用云的相似度来代替以前向量的相似度,改进了算法的精确度。通过进一步的总结研究,对传统的算法进行两方面的改进,将用户对项目的评价、用户对项目特征属性的偏好和时间效应有效的结合在一起,提出了基于云模型的时间修正协同过滤推荐算法(A Collaborative Filtering Recommendation Algorithm with Time-Adjusting Based on Cloud Model,简称CTCFR)。最后针对新算法,使用权威的Movielens数据集合对该算法进行实验,通过多组实验方案的验证,证明了本文提出的CTCFR算法的有效性和合理性。