二十世纪九十年代以来，信息技术的发展尤其是万维网的普及，彻底地改变了人们的生活和工作方式。人们在享受着互联网和信息技术带来的便利的生活方式和极大丰富的信息服务的同时，却也被纷繁的信息、应用、商品或服务所淹没，人们逐渐从信息匮乏的时代进入了信息过载的时代。推荐系统就是解决信息过载问题的主要工具。然而传统的推荐方法只关注用户和项目之间的二维关系，而较少考虑与它们相关的上下文信息（指与用户、项目相关的状态等信息，如时间、地点、周围人员、使用设备等）。但是，在许多场景下，仅仅依靠用户和项目之间的二维关系并不能进行精确地推荐。上下文感知推荐系统通过将与用户或项目相关的上下文信息引入推荐系统，从而提高推荐的精确度和用户的满意度。　　基于此背景，本文主要进行了上下文感知推荐方法的研究。本文的主要工作分两个方面:　　(1)应用了一种基于认知模型的上下文感知推荐方法。该方法主要是基于ACT-R认知模型的陈述性记忆提取机制，将时间、地点、周围人员、活动状况、使用设备等上下文信息融入推荐方法的构建之中，构建了上下文环境下的推荐方法，然后在移动网络环境下，向移动用户进行移动应用的推荐并对推荐结果进行评价。通过实验结果可以看出:该推荐方法对于包含上下文信息的移动用户行为数据集是有效的，尤其是在用户使用移动应用的行为受一种或多种上下文信息影响较大的情况下。　　(2)构建了一个推荐系统的三支决策方法。在该方法中，把代价上下文和三支决策模型应用于推荐系统。三支决策除了接受和拒绝两种选择，还加入了不做决定或不承诺的第三种选择。它将一个包含可能会推荐给用户的项目的集合加到两个项目集合，这两个项目集合决定了里面的项目是否应该推荐给用户。它可以提供一种更有意义的方式向用户推荐可能喜欢的项目。主要讨论两个问题。第一个问题是基于决策理论的粗糙集模型，将三个集合分割开所需要的阈值的计算。另一个问题是，怎样使用基于用户的模型和基于项目的模型来产生推荐列表。实验结果说明该方法减少了误推荐的错误。