个性化推荐系统是解决互联网信息超载问题最行之有效的信息过滤方式之一，而推荐算法是其中最关键的组成内容。目前对推荐算法的研究已较为成熟，但仍存在诸多需要完善的地方。基于复杂网络的推荐算法给推荐算法带来了新的尝试，也是目前的研究热点之一。二部图网络是复杂网络中典型的表现形式，它将用户和项目抽象成二部图网络中的节点，利用二部图网络的拓扑结构进行算法推荐，令推荐过程更加直观，降低了算法复杂度，同时提高了算法效率。本文以基于二部图网络的推荐算法为研究内容，提出两种改进的基于评分二部图的推荐算法，论文主要工作如下。　　(1)就个性化推荐系统的研究价值及意义进行深入探讨，并对推荐系统的工作流程、主要算法及评价指标进行系统的分析和研究。　　(2)对目前推荐系统中常见的推荐算法进行对比分析，重点研究了基于二部图网络的推荐算法，就其模型框架及研究思路进行了分析和总结。　　(3)通过将基于项目度的非均匀资源分配过程及基于评分的物质传递过程引入基于二部图的推荐算法中，分别从用户-项目矩阵构造及资源分配过程上对算法进行改进。　　(4)将兴趣相似性和用户代表性引入基于二部图的协同过滤中，提出基于评分二部图的协同过滤推荐算法。通过在推荐过程中引入兴趣相似性与用户代表性来降低不带权二部图结构导致的用户间关联过高的情况，提高了算法的推荐准确性和多样性。　　最后对两种改进算法分别进行对比实验，实验结果表明本文提出的改进方法具有可行性，对个性化推荐系统的性能有显著的提高。