人类社会是由复杂的社交网络构成的,人们通过社交进行沟通、实现自身的价值。通信网络的高速发展与移动设备的普及使网络社交成为人们生活中的重要组成部分。在网络中交友可以享受更多的神秘感,并且不再受物理距离的限制,不仅解决了熟人之间由于距离遥远无法经常沟通交流的问题,也使人们可以结识更多陌生人扩展自己的社交范围。因此大量社交应用应运而生,对于不同的应用之间如何更准确的为用户推荐好友是提升用户黏性、提升用户体验的有效方式。好友推荐算法可以很好的解决各类社交应用的痛点,也成为热门的研究方向。通常社交应用推荐好友的方式是基于彼此共同好友数目、用户职业等身份信息、地理位置、兴趣标签等因素进行推荐。但只考虑单一因素的好友推荐方式必然无法满足用户的需求,并且仅分析用户的社交网络和固定标签也难以全面的获得用户动态的的交友偏好。因此本文提出了基于动态信息的好友推荐算法来解决上述问题。其中通过用户的性别、职业等身份信息和用户的地理位置信息构建基于人口统计学的好友推荐模块,并使用身份信息和地理位置信息分别计算相似度。基于动态信息的推荐模块中考虑了两方面的因素分别是用户最近的兴趣地理位置信息及用户的社交状态,而社交状态中图片比文字能表达更多的信息与内容,因此基于动态信息的推荐模块选取了用户签到中的兴趣地理位置和社交动态中的社交图片信息来构成用户的兴趣向量。使用该特征构建用户-兴趣矩阵并打分,再依据协同过滤思想计算用户间的相似度获得最近邻居集合。在对用户社交图片的识别上采用了识别准确率较高、速度较快的SSD(Single Shot MultiBox Detector)目标检测算法,来获得社交图片所包含的信息进而生成用户的兴趣标签。最后采用混合推荐方式将基于人口统计学的推荐模块和基于动态信息的推荐模块线性融合,计算相似度进行好友推荐。本文在提出了基于动态信息的好友推荐算法后设计并实现了基于该算法的好友推荐系统,并根据新浪微博用户的数据集进行了验证试验,通过比较准确率、召回率和F值(F-measure),证明了基于动态信息的好友推荐算法相较于单因素推荐的算法具有更好的推荐效果,验证了算法的可行性与优势。