近年来，随着互联网的蓬勃发展，特别是伴随着社交网络的兴起，人们发现互联网上开始出现了信息过载的现象，过多的信息不会帮助人们更容易发现信息，而是变得更加困难，人们无法从大量信息中发现哪些是重要的，哪些是可选的，而社交网络是个自媒体的网络应用，任何人、任何时间都可以在上面发布信息，显然增加了信息过载的程度。基于统计的个性化微博信息与用户推荐目的是利用统计机器学习的方法为用户建立个性化的模型，目的是帮助用户避免信息过载的问题，在社交网络中发现并找到适合用户的微博信息以及需要关注的微博好友，这种推荐技术对社交网络网站提升用户体验也是非常重要的，同时，推荐系统和社交网络是当前的两个热点研究领域，我们相信在社交网络媒体中的推荐系统研究也具有重要意义。本文的主要研究内容分为基于微博的信息推荐以及基于微博的好友推荐两个部分。基于微博的信息推荐部分，我们提出了对微博平台上的文本内容对用户进行个性化推送的任务，进而结合微博平台自身的特点提出了我们的解决方法，对使用的特征进行了分析，并通过实验证明了方法的有效性。在微博好友推荐部分，我们希望通过对微博用户推荐适合的好友，让微博用户能够选择合适的好友进而能够达到信息过滤的效果，本文提出了基于协同过滤，启发式，链接预测，主题模型等多种方法进行微博人物推荐的实验与分析，最后为了提升人物推荐的预测精度利用多模型的优势，本文通过使用集成学习的方法进行了基于多模型的合并工作，并最终取得了效果上的进一步提升。本文通过实验证明了本文提出的信息和用户推荐方法的有效性，在信息推荐中我们的召回率达到0.49，在用户推荐中我们考察了各种推荐算法的指标，并通过集成学习进一步提升了性能。