互连网的迅猛发展带来了日益严重的信息过载问题，推荐系统通过挖掘、分析用户与物品间的关系，向用户推荐其最可能感兴趣的物品，是解决信息过载问题的有效工具之一。传统协同过滤算法是推荐系统中应用最广泛的推荐算法，但仍存在诸如数据稀疏问题、冷启动问题等亟待解决的问题。随着以Facebook、Twitter为代表的各种在线社会网络的纷纷涌现，基于信任的协同过滤算法通过在传统协同过滤算法中引入社会网络中的信任机制，可以有效改善上述问题，成为推荐领域的一个重要研究方向。　　信任推理是基于信任的协同过滤算法中的核心部分，现有信任推理算法假设信任网络中各条路径相互独立，忽略了路径间的依赖关系，导致信任关系的重复计算，从而影响推荐的准确度。通过对信任网络中依赖关系的分析，提出一种基于分层搜索的依赖关系处理算法。该算法利用宽度优先算法消除信任网络中的完全依赖关系，然后以深度优先算法融合信任网络中的部分依赖关系并进行信任推理计算。分析表明，基于分层搜索的依赖关系处理算法具有较好的时间复杂度和计算准确度。　　针对基于信任的协同过滤算法中存在显式信任关系获取困难的问题和未考虑信任中因缺乏知识或主观因素而导致的不确定性问题，提出一种基于主观逻辑的隐式信任协同过滤算法。该算法根据用户的评分信息建立用户间的隐式信任关系，利用基于分层搜索的依赖关系处理算法进行信任推理，最后使用建立的信任模型进行协同推荐。实验结果表明，基于主观逻辑的隐式信任协同过滤算法能够有效改善数据稀疏问题，并提高了推荐准确度。