随着面向服务计算的快速发展，WebService技术在近年来受到越来越多的关注并且在学术界和工业界取得了巨大的成功。服务推荐是面向服务计算中一个非常重要的研究方面，在帮助用户走出信息过载困境，挖掘用户潜在需求和提升企业价值方面发挥着重要的作用。在传统的推荐算法中主要包含三类推荐算法:1）基于用户行为数据，这类算法的典型代表是基于协同过滤的推荐算法，但该算法在用户数稀疏的情况下，推荐效果不理想;2）基于用户标签数据，这类算法主要根据用户的生成内容来为用户进行推荐，推荐流程简单但是容易收到用户虚假信息的攻击，从而使得推荐结果缺乏参考意义;3）基于社交网络数据，这类算法模拟目标用户在现实社会中的虚拟人际关系，能为目标用户推荐个性化的服务，但是并没有把用户之间的信任考虑在内，使得被推荐的服务缺乏一定的可信度。本文提出了基于用户信任传播和社交网络的服务推荐算法，该算法结合用户社交网络和用户信任网络为目标用户进行服务的推荐。　　首先本文提出新的用户相似度度量方法，用户兴趣相似度和用户信任度两者的结合最终形成用户与用户之间的相似度。一方面，用户兴趣相似度的计算基于用户历史服务使用记录，利用矩阵分解的技术计算用户兴趣相似度，这在一定程度上能解决用户冷启动问题;另一方面，把用户信任度考虑在内，从而使得为目标用户找到的用户组更具有相似性。　　然后本文提出新的信任传播和聚合策略，在传统的信任传播算法中，当信任在用户信任网络中进行传播时都是随机选择一个节点作为信任传播的下一个节点，而在本文提出的算法中根据信任相关度进行游走目标的选择，可以使得每次游走更趋向于选择与当前用户兴趣偏好更相似的信任用户，这样每次游走时都选择与当前节点最相似的用户作为下一个节点。　　最后本文提出的基于用户信任传播和社交网络的服务推荐算法通过结合社交网络和用户信任，既考虑历史记录中显示出的用户偏好共同的相似性，又考虑用户之间的信任问题，使得推荐结果在满足兴趣偏好的同时也使得推荐推荐结果具有一定的可信度。对比实验表明本文提出的算法与传统的推荐算法在推荐准确率上显示本文提出的算法具有更好的推荐效果。