Internet的迅猛发展把我们带到了信息爆炸和电子商务繁荣的时代,海量信息的呈现同时给人们带来了“信息过载”的难题,推荐系统就是旨在解决这一难题而诞生的一项新兴技术。协同过滤算法作为推荐系统中一种重要的推荐算法,具有重要的研究价值和应用价值。本文研究了协同过滤算法的相关技术,包括基于内存的和基于模型的协同过滤算法以及协同过滤技术面临的问题。并针对基于内存的协同过滤算法中的slope one算法存在的问题提出一种改进的基于聚类的slope one算法;为提高推荐准确性,提出两种融合的协同过滤推荐算法;最后详细介绍了协同过滤算法在音乐推荐中的应用。具体的研究工作如下:　　 (1)提出一种基于聚类的slope one协同过滤算法,改善了传统slope one算法存在的数据稀疏性和噪音物品等问题。此算法首先利用K-means聚类将物品分为几个子类,然后在每个子类中使用slope one算法,经过实验验证该算法改善了传统slope one算法存在的上述问题,并且推荐效果还有一定程度的提高。　　 (2)提出两种融合的协同过滤算法:一种基于相关度的融合算法和一种基于分类思想的融合算法,这两种融合算法都是基于后融合思路提出的。首先使用矩阵分解和受限玻尔兹曼机模型作为单个模型,然后分别利用这两种融合算法对这两个单个模型进行融合,最后通过实验验证这两种融合算法在推荐准确性方面都有不同程度的提高。　　 (3)详细介绍了我们将协同过滤算法应用于KDD Cup2011雅虎音乐推荐比赛中的内容,包括比赛简介、比赛数据集介绍、比赛模型的选择、比赛结果分析及讨论。