随着信息技术的不断发展,信息爆炸使得信息量越来越大,信息利用率越来越低,推荐系统正被越来越多地研究和应用。本文介绍了推荐算法的相关知识,对协同过滤推荐算法的基本原理进行了论述,介绍了协同过滤算法的优缺点。协同过滤算法是应用最广泛的算法,但是在实际应用环境中,用户不会对每一个项目进行评分,这导致用户-物品评分矩阵极其稀疏,在评分稀疏的情况下,协同过滤算法无法识别部分相似用户,也很难推荐刚加入的新物品。为了解决评分稀疏带来的问题,本文从物品特征分类和用户评分两个方面研究,提出了改进的协同过滤推荐算法:融合用户兴趣分类的协同过滤算法(简称FIDCF)。该算法从用户评分过的物品的分类方面进行研究,分析用户兴趣在物品类别的分布,得到用户之间兴趣分布的相似度,并通过混合推荐方法将兴趣分布相似度和评分相似度结合起来,得到了与用户相似的邻居用户组。同时,本文对该算法进行了实现,并从平均绝对误差,召回率,准确率三个指标对本算法进行了分析,结果表明本算法比基于用户的协同过滤算法和目前有代表性的基于用户兴趣分类的协同过滤算法具有更高的推荐准确性。同时,本文也实现了一个电影推荐系统,将融入用户兴趣分类的协同过滤推荐算法用到电影推荐的场景中。