基于位置的社交网络(Location-based Social Networks,LBSN)为用户提供了许多重要的位置感知服务。兴趣点(Points of Interest,POI)推荐是其中最重要的服务之一。兴趣点推荐通过挖掘用户的签到行为,向用户推荐新的吸引人的地方。因其巨大的商业价值和应用前景,受到了学术界和工业界的广泛关注。现有的推荐算法大都是结合地理、时间、社交、内容这四个主要影响因素中的一个或多个来改善推荐效果,对兴趣点本身的考量程度不高。本文从兴趣点的角度出发,充分利用LBSN中的签到行为,挖掘兴趣点在整个社交网络中的重要程度和各兴趣点之间的相似特性,提高推荐质量。首先,根据地理聚集现象,分析真实签到数据集——Foursquare里用户的活动特性,过滤脏数据;依据用户活动范围和兴趣点影响传播范围有限的事实,构造用户活动范围向量和兴趣点影响范围向量。针对传统推荐算法建模兴趣点影响力时,将所有兴趣点的影响力同等看待的问题,提出基于兴趣点重要度的推荐算法,该算法定义了重要度的计算方式,在预测评分阶段考虑候选兴趣点的重要度,从而提高推荐质量。其次,利用用户的签到行为来挖掘兴趣点之间的相似特性,提出基于兴趣点相似得分的推荐算法,利用Word2vec原理训练各兴趣点的特征向量,计算兴趣点间的相似性,该算法同时定义了相似得分的计算方式,在预测评分阶段考虑候选兴趣点与用户已访问兴趣点的相似得分,提高推荐效果。最后,本文在真实签到数据集——Foursquare上进行实验仿真,并与当前先进算法进行对比,验证了本文提出算法的有效性。