近年来，随着Internet的普及与电子商务的快速发展，许多著名的电子商务网站都开发了推荐系统对顾客进行个性化信息推荐服务.电子商务推荐系统是电子商务网站用来向顾客提供商品信息和建议，并模拟商店销售人员帮助顾客顺利完成购买过程.推荐系统在网络上获得了普遍的成功，协同过滤是其中应用最为广泛的个性化推荐技术。但是，网上有效信息的数量和种类的急速增长对推荐系统提出了严峻挑战，协同过滤推荐中存在的准确性，冷启动、以及可扩展性等问题急待解决.为了解决这些问题，本文着重对协同过滤推荐的算法进行了研究。 首先，介绍了电子商务推荐系统的基本理论，包括概念、作用、分类、输入输出的表现形式，及常用的推荐方法。此外着重对协同过滤算法进行分析，分析其算法流程、存在的问题以及现有的解决方法。 其次，为了解决协同过滤算法准确性问题，将生物学中的免疫系统引入到最近邻居选择的操作中来，充分考虑了人工免疫系统的形态空间与推荐系统的相似性，提出了独特性免疫推荐算法，但考虑到该算法在响应速度和新用户上存在缺陷，又经过两次改进，最终得到一个基于人口统计信息的聚类免疫推荐算法(BDICIR)。 最后，为了验证该算法的有效性，将两组稀疏程度不同的数据进行仿真实验，实验结果表明，BDICIR算法无论是在推荐结果的准确性上还是响应速度上都是最优的，明显对协同过滤算法起到了改进作用。