学术研究领域的学者们通过组成合作伙伴,丰富了他们的社交关系,加速了科研工作的进展以及研究成果的转化速度。已有的合作者推荐模型没有考虑合作者之间学术水平的差异,从而合作关系难以建立。为了解决上述问题,本文通过考虑学术水平在合作关系中的影响,提出了两种基于学术水平相似性的合作者推荐模型。本文的主要研究工作如下:（1）提出了最合适的合作者推荐模型（Fitting Collaborator Recommendation,FCR）,模型考虑到单一学术能力影响力评价指标在应用场景下的限制,结合多种评价指标对学者的学术水平进行量化,设计并定义了适用的学术水平指标ALI（Academic Level Index）。FCR模型首先使用K-means聚类算法,根据ALI指标对学者分层后,在同层学者间搭建合作者网络,并利用Katz指标计算学者间的路径相似度,综合学者的研究主题进行推荐。在MAG数据集上的实验表明,FCR模型对于中级学者的推荐表现最好,并且相较于现有的模型,不但提高了推荐的准确度,召回率和F1指数,而且推荐的学者间学术水平匹配度也更高。其核心的聚类算法对学者分层后,在同层学者间推荐能够减少模型所处理学者的数量,从而提升推荐的效率,适合学者规模较大的合作者推荐场景。（2）提出了基于学术水平相似性的合作者推荐模型（Academic Level Similarity Recommedation,ALSRec）,该模型利用FCR模型中定义的学术水平指标ALI,进一步定义了学术水平相似性指标ALS（Academic Level Similarity）,并用该指标对合作网络中的边权重赋值,之后使用偏向重启随机游走算法提高学术水平相似学者间的访问概率,将合作关系预测转化为链路预测问题,结合研究主题等因素,在学术水平,研究主题,路径可达性三个角度综合考虑进行推荐。在MAG,DBLP,C-DBLP三个数据集上进行的实验表明,ALSRec推荐模型能够完成推荐任务,且推荐效果好于其它4种其它推荐模型,给出的推荐实例也表明,无论是推荐的准确率,还是推荐的新鲜度,亦或是推荐学者间的MAE值,都有着较好的表现。ALSRec模型推荐结果较为个性化,适合学者规模较小且学者关系稠密的推荐场景。