近年来，移动互联网在世界范围内取得了飞速的普及和发展，与此同时，大量的信息涌入移动互联网用户的视野中，使人们逐渐走进了“信息过载”的时代。无论是信息的发布者还是信息的接收者都遇到了很大的挑战：对于信息接收者而言，想要在众多的信息中筛选出自己真正感兴趣的部分是一件困难的事情；而对于信息发布者，想让自己生产的信息受到更多用户的关注，也是一件非常困难的事情。这就给计算机科学领域的关注者和从业者带来一个前所未有的机遇和挑战，也同时成为了互联网尤其是电子商务领域和社交领域的一个重点和热点问题。深入、准确地挖掘出用户的使用行为、特点，了解用户的兴趣，之后分析出用户的潜在需求，势必将会大大提升用户粘性和满意度。个性化推荐指的是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品，帮助用户从浩瀚的信息海洋中找到自己感兴趣的部分,实现了互联网中的信息从被动接收到主动推送的过程。而协同过滤作为推荐系统中最为成功和研究最多的算法之一，其基本思想是根据用户兴趣的相似性来进行推荐，把与当前用户相似性最大的用户找出来并作为邻居用户，然后将邻居用户兴趣进行计算和加权作为当前用户的兴趣并产生推荐。本文从移动互联网中的新闻系统出发，通过研究个性化推荐在新闻领域的应用来帮助用户改善移动终端阅览新闻的体验。根据传统的协同过滤推荐方法，本文提出了三种改进的推荐模型，分别是基于内容的推荐、基于用户属性和相似度的改进协同过滤推荐以及基于时间上下文[12,13]的改进协同过滤推荐模型。通过量化并计算新闻内容的关键词、用户与用户之间的相关程度和分析不同时间上下文下用户的兴趣特点来进行新闻推荐。在三种推荐模型的基础上，本文实现了一个简单的基于移动互联网的个性化新闻推荐系统并通过测试，推荐系统通过对三种推荐模型的实现，将用户信息和新闻信息进行了处理和过滤，在一定程度上帮助用户找到了适合自己的新闻信息。相对于传统的新闻类应用，本系统实现了把传统新闻中统一、无差异化的新闻变成个性化、差异化的新闻推送过程。本文首先阐述了课题背景和选题意义，并介绍了个性化推荐问题的国内外应用现状，分析了移动互联网环境下新闻推荐问题的特点，在此基础上提出了基于移动互联网的个性化新闻推荐的系统，之后根据软件工程的思想，对系统进行了详细的需求分析、系统设计以及数据库设计及实现，最终完成了对整个系统的测试。之后通过对全文进行总结，提出了下一步的工作展望。