社交网络通过分享内容、即时交流等形式为人们提供了一个拓展社交的平台,随着智能手机等移动设备的普及以及无线数据传输技术的提高,社交网络正在从PC端向移动端快速演进,出现了大量针对移动设备设计的新应用和新服务。同时得益于智能移动设备感知计算能力的不断增强,越来越多的用户上下文信息得以被实时感知,使得利用丰富的用户上下文信息以及社交网络中积累的大量用户数据(如用户的个人信息、偏好、社会关系、对服务内容的评价等)为用户提供更加准确和个性化的服务成为可能。为了更准确和迅速地从海量的服务和应用中找到用户感兴趣的内容,实现个性化服务推荐的目的,本文针对移动社交网络上下文感知推荐机制做了一些研究与探讨。论文主要研究内容包括：1.通过对移动社交网络的深入理解和上下文感知推荐过程的不断学习,在普适上下文感知计算模型的基础上,设计了一个面向过程的移动社交网络上下文感知推荐模型。并利用层次化和FSM等建模方法,通过Ptolemy Ⅱ建模工具实现了具体的建模过程,论证和探讨了该模型的可行性以及对移动环境的支持。2.将上下文相似度与兴趣相似度结合,并用AHP算法确定各自所占的权重,改进了传统的用户相似度计算方法；设计了一种通过用户社会关系计算用户信任度的方法。通过用户相似度与用户信任度的融合,以协同过滤算法为基础,完成了一套完整的信任增强上下文感知推荐机制。3.将设计的移动社交网络上下文感知推荐模型和信任增强上下文感知推荐机制,应用到实际的场景中,设计和实现了“移动社交网络兴趣点发现系统”,通过该系统对设计的模型和推荐机制的合理性进一步进行了验证。