推荐系统是解决个性化需求的产物。作为推荐算法中应用最广的算法——协同过滤,具有极大的研究价值。协同过滤算法中存在数据高维稀疏问题,导致相似度计算、评分预测存在偏差,选择近邻效率低,严重影响了算法的质量。目前,对该问题的研究存在以下不足:在改进相似度计算的研究中,没有考虑评分差值,没有衡量用户对项目属性的喜欢和不喜欢程度,没有挖掘隐式兴趣;忽略了数据高维的特点,在整个数据集中选择近邻,导致算法运行时间较长;在改进评分预测的研究中,没有考虑用户间在不同项目上相似度的差异。本文从协同过滤算法原理的了解和相关理论的研究入手,将从以下三个方面展开:（1）不仅仅依靠评分矩阵,加入额外信息丰富相似度计算。引入信息熵衡量评分差值包含的信息量,结合评分差值,得到评分差值相似度;利用模糊集将单一评分模糊化,衡量用户对项目属性的喜欢和不喜欢程度,得到显式兴趣相似度;加入矩阵分解挖掘用户隐式兴趣,得到隐式兴趣相似度。将上述三种相似度与原始的修正余弦相似度融合,得到综合相似度,缓解数据稀疏问题;（2）利用优化初始质心选择的改进K-Means算法对用户聚类,在目标簇中选择近邻,缓解数据高维问题;（3）考虑用户间在不同项目上相似度的差异,提出基于特定项目的信任度,与综合相似度融合,得到基于特定项目的相似度,用于评分预测,缓解数据稀疏问题。在经典的MovieLens数据集上运行本文算法,通过与其他几组算法的对比分析,得到相比同类算法,本文算法平均绝对误差较低,提高了推荐准确度,加入了改进K-Means的本文算法运行时间较少,提高了运行效率。本文算法在一定程度上缓解了数据高维稀疏问题,提高了算法质量。最后将本文算法应用到电影推荐中,验证本文算法在实际中有效可行。