随着互联网不断融入到社会经济和日常生活中,人们已习惯于进行各种在线信息查询和交互行为（如数据检索、信息查询、网络购物、社交、导航等）,网络数据、信息的数量及其应用飞速增长,导致如何在海量信息中,准确、快速获得所需要的信息成为近年来的研究热点。其中,各类推荐系统作为一种解决该问题的有效方法,尤其是协同过滤算法,已经取得了不少的研究成果并被广泛应用。然而,相关算法在稀疏性、冷启动、抵御托攻击等方面,仍存在一定不足和改进余地。为此,本文基于相关技术的发展,针对如何有效解决托攻击问题和进一步提高协同过滤算法性能两个方面开展研究和分析,提出了一种集成优化的协同过滤算法,来进一步提高协同过滤算法的推荐性能。首先,对基于概貌属性和基于时序特征的托攻击检测方法进行研究分析,以此为基础,给出了一种融合上述两种方法的托攻击联合检测与过滤方法,并对其进行了验证,可以实现有效的托攻击检测过滤,将存在异常评分的污染数据集,转换成纯净数据集,提供给协同过滤算法,提高算法的推荐性能。其次,深入研究分析了协同过滤算法的研究成果,并针对其不足研究分析了多种可以用于进一步优化的技术。然后,以“结合信任关系的用户聚类协同过滤推荐算法”为基础,对其逐步进行优化和验证,提出了集成优化的协同过滤算法,经过验证,该算法可以较好地解决稀疏性、冷启动、托攻击等问题,提高项目推荐的准确性和完整性。第三,将本文算法与传统协同过滤算法以及其他文献中的算法在Movielens数据集上进行对比试验,结果表明,本文算法的效果更佳。最后,为对上述研究成果予以验证和应用,以电影推荐系统为案例,给出了系统的设计方案,并实现了该系统的各项功能。