随着互联网上信息的迅猛增长，在学术界和工业界，推荐系统的研究和应用越来越受到科研人员的重视。它提供了一种主动向用户提供个性化信息的方法。在学术文献推荐领域，现有的推荐算法往往基于文献内容或者被引用频率进行推荐计算。然而，这些办法都不能让用户主动的指定自己的个性化需求，例如文献权威性、流行度、发表时间等。因此，本文针对这一问题，对学术资源推荐系统中的推荐具体算法进行了研究和设计，使推荐结果不但能够契合用户的主题兴趣，而且同时能满足用户对文献的个性及质量需求。　　 本文首先介绍了推荐系统相关的一些基本的理论和技术，如：典型算法，常见数据集及评测方法，主流算法的对比分析等。其次，本文针对提取用户主题兴趣相关的文献集合问题进行了研究，提出使用主题建模中的PLSA(ProbabilisticLatentSemanticAnalysis)方法进行聚类，并与用户的主题兴趣进行比较。该方法的核心在于引入PLSA中的隐含主题层信息，并根据主题信息进行聚类，得到主题一致的各个文章子集。接下来，本文针对符合用户主题兴趣的子集，进行了推荐方法的研究，设计并提出了基于效能的学术文献推荐算法，挖掘符合用户特征个性需求的高效能参考文献集合，给出了算法的具体设计与实现，并使用实际论文数据集验证了算法的推荐效果。最后，对本文主要的研究成果进行了总结与展望。　　 总之，本文的研究成果对学术资源推荐方法的研究及其工具的开发，具有重要的应用价值，对主题聚类的研究和应用，也具有很好的参考价值。