随着移动信息技术的发展,基于位置的社交网络（Location Based Social Network,LBSN）逐渐普及,衍生了大量用户签到行为数据。丰富的签到数据为了解用户行为和实现个性化旅行路线推荐提供了机会。为了节省人们盲目找寻旅行资讯的时间,个性化的旅行路线推荐应运而生。个性化的POI（Point Of Interest,兴趣点）序列推荐研究作为个性化的行程规划和旅行路线推荐的关键任务,旨在从大量信息中挖掘出满足用户个性化需求的POI序列。通常,外界环境（如天气、时间等因素）可能会在旅行过程中发生变化,而用户当前的签到行为和外界环境息息相关。现有的研究大部分是基于静态的环境进行POI序列推荐,难以根据动态变化的环境实时推荐用户满意的POI。另外,用户在出行时倾向于访问一些受欢迎的POI序列。因此,本文致力于在充分考虑天气和时间变化的情况下,推荐用户感兴趣、受欢迎的POI序列。本文首先提出了上下文感知的动态个性化POI序列推荐问题,并分析了其复杂性,基于用户历史签到记录分析了用户的POI签到行为特征和POI序列特征,验证了天气和时间能影响用户的签到行为,用户在POI之间的迁移存在一定的规律,以及人们倾向于访问一些流行的POI子序列。然后,本文提出了上下文感知的动态个性化POI序列推荐模型（Context-aware Dynamic Personalized POI sequence Recommendation,DPSR）,该模型采用蒙特卡罗树搜索算法,基于细粒度的用户偏好模型、细粒度的POI流行度模型和POI迁移概率模型模拟在动态变化的环境下用户选择POI的过程,实现动态的个性化POI序列推荐。此外,DPSR模型还考虑了用户不同的迁移方式,灵活设定迁移速度,使得推荐的POI序列更符合用户真实的出行行为。最后,本文基于两个LBSN签到数据集与其它POI序列推荐方法进行了对比实验,采用了6个评估指标评估其效果。实验结果表明,DPSR模型可以显著提高POI序列推荐系统的准确性。另外,DPSR既能推荐满足用户兴趣偏好的POI序列,又能保证所推荐POI序列的流行度。