电子商务的飞速发展将我们带入了网络经济时代，但同时也带来了“信息过载”问题，推荐技术就是针对这个问题而提出的。但由于推荐系统固有的开放性和对用户信息的敏感性，使它很容易受到用户概貌注入攻击的影响，这种攻击严重降低了推荐的质量。因此，保障推荐系统的安全是刻不容缓的问题。本文在综合分析国内外研究现状的基础上，针对协同过滤推荐系统中用户攻击概貌注入攻击检测算法进行了深入的研究。首先，针对现有用户概貌注入攻击检测算法存在准确率不高的问题，通过分析攻击用户概貌的特征及用户概貌填充度之间的差异，提出一种基于SVM和粗糙集理论的用户概貌攻击检测方法。该方法结合所提特征与已有特征分别联合填充规模后通过SVM进行二分类检测，再把各个特征的检测结果合并构成信息表，然后利用粗糙集理论生成的决策规则对信息表进行决策，得到最终的攻击概貌检测结果。其次，针对现有攻击检测算法不能有效检测新模型推荐攻击的问题，从实际应用中新模型推荐攻击的不断出现角度进行分析，提出了一种基于聚类的用户概貌注入攻击检测算法。该算法首先提取了一些不依赖于攻击模型的特征，使用k-means算法对用户概貌进行聚类；并采用随机采样技术从评分数据库中随机选取适量真实概貌作为种子数据集，利用聚类中来自种子数据集的用户概貌的数目和比例确定攻击用户的类簇，然后由用户-项目平均评分偏离度确定受攻击的目标项目，并检测出相应的攻击概貌。最后，将本文提出的用户概貌注入攻击检测算法和现有的检测算法进行了实验对比与分析。