随着以博客为代表的网络应用的流行，互联网用户可以更加随意的发布信息和进行交流，互联网上的信息源和信息量变得极大丰富。在这些海量博客数据中，信息的质量或权威程度参差不齐。如何从这些海量博客数据中向用户推荐有价值的权威的信息就成为博客网站和博客搜索引擎面临的一个重要的信息推送问题。在这种背景下，本文对三种博客资源的相关推荐算法进行了研究，主要研究内容包括以下几个方面：　　第一，本文在分析了词频统计的博客标签推荐算法的局限性及单一博客领域中存在的垃圾标签问题的基础上，研究基于TFIDF的博客标签推荐及过滤算法，提出了以TFIDF值来代替词频统计进行博客标签推荐，通过构建领域词典来过滤垃圾标签。　　第二，本文着眼于博客文章的用户评论，提出基于用户评论情感分析的博客文章推荐算法，同时，针对博客领域中大量出现的新情感词，本文提出新情感词发现算法，用以扩充传统的情感词典，并通过实验来证明新情感词发现算法的有效性。　　第三，本文分析了传统的基于链接信息的博客作者推荐算法的缺陷，并根据在博客领域大量出现的文章转载现象，提出了一种基于相似文本链接分析的博客作者推荐算法——SimRank算法。该算法发现了博客作者之间的隐性联系并建立了链接图。最后，本文采用对比实验来表明该算法的优点。　　第四，根据本文提出的三个博客资源推荐算法，本文设计并实现了一个博客资源推荐系统对博客标签、博客文章和博客作者这三种博客资源进行推荐，详细讲述了系统的总体架构和各模块的实现细节。运行结果表明本系统具有较高的运行效率和信息推送质量，在实际应用中证明了三个博客资源推荐算法的有效性。