电子商务推荐系统现已成为很多企业进行广告宣传和商品销售的一个重要平台。然而,大量的商品信息充斥在网络之中,使得用户不能快速准确的搜索到其喜欢的商品。因此设计出更具个性化的电子商务推荐系统,以实现对用户更好的服务,就成为了很多企业研究的一个重要课题。目前,几乎所有著名的电子商务网站都在不同程度上采用了个性化的电子商务推荐系统,如易贝、淘宝网等。为了对用户进行快速而准确的推荐,研究人员已经提出了多种不同的推荐技术,如协同过滤推荐技术,贝叶斯网络技术,聚类技术,奇异值分解技术,关联挖掘技术等。其中,协同过滤推荐技术是在个性化的推荐系统中应用最广泛的,但随着其应用的深入,也暴露出了其中存在的一些问题,如“冷开始”问题、“数据稀疏性”问题等。本文也对协同过滤推荐技术进行研究,主要解决协同过滤推荐算法中存在的“冷开始”问题、“数据稀疏性”问题。本文主要做了以下研究工作：1.对个性化推荐系统的发展历史及现状进行了综述,指出了协同过滤推荐算法中存在的“冷开始”和“数据稀疏性”两大瓶颈问题。2.将蚁群聚类算法引入到协同过滤推荐技术的研究之中。3.针对协同过滤算法中存在的“冷开始”问题,提出了一种改进的算法。新的算法除了考虑用户之间主观偏好的相似性之外,还考虑了用户之间客观特征的相似性：这使得系统能够对没有进行过主观评价的用户也能进行推荐。4.采用蚁群聚类算法对用户进行聚类,然后在聚类簇中应用改进的协同过滤推荐算法搜寻邻居用户、进行预测评分。通过聚类,降低了邻居用户的搜寻范围,减少了系统的计算量,提高了系统的推荐质量,在一定程度上缓解了“数据稀疏性”的影响。5.根据本文所提出的理论方法,进行了系统模拟。