随着互联网技术的迅速发展,各计算机终端都可以轻易拥有海量的信息资源,人们获取信息的渠道增多了,但同时也让很多用户觉得力不从心,当用户在网络上搜索信息时,往往就会因为信息量过大且无目的性发生“迷航”、“认知过载”等现象。另外,随着信息资源的积累,庞大的数据仍由单一的服务器存储,这对搜索及管理也带来了诸多不便。因此,本文首先研究了传统内容过滤和协同过滤推荐技术,对传统协同过滤技术改进,构建分类评估矩阵,并给出一种新的协同过滤推荐公式；结合内容过滤推荐技术,提出分布式综合推荐模型,该模型融合了内容过滤和协同过滤的优点,并通过实验证明了此推荐模型的有效性和科学性。其次,提出一个基于Agent的Web挖掘模型,采用分布式的架构,详细设计各Agent的功能；通过学习Agent模块,不断更新知识库；把分布式综合推荐模型作为信息选择Agent的核心算法,从而为用户推荐最感兴趣的项目；提出基于XML的KQML解决办法来配合多个代理间信息的交互,实现多Agent之间的协同工作。再次,将分布式综合推荐模型和基于Agent技术的Web挖掘模型应用于出版物服务系统,设计了两级数据库,分别用于支撑内容挖掘模块和协同过滤模块；充分利用分布式架构与Agent技术的优势,实现跨站点的分布式智能搜索和个性化推荐,对于相同的关键字查询,不同用户将会搜索出不同的结果,以最大程度满足不同类型用户的需求,并给出了系统实现界面图。论文最后部分对所做的工作进行了总结,并提出了有待改进的地方,同时展望了Agent技术在个性化推荐和分布式智能搜索领域的进一步研究方向。