近年来,随着基于位置社会网服务(LBSNs)在人们的生活中变得越来越流行,POI(Point-of-Interest)推荐已经成为值得重点研究的课题。POI推荐的目标是向用户推荐之前未访问过但可能感兴趣的地点,这对于用户和商家双方都具有很高的研究价值。在基于位置的社会网(LBSNs)中进行连续POI(point-of-interest)推荐是数据挖掘领域的重要研究课题,它能根据用户当前的签到信息并利用签到兴趣点间的联系为用户推荐兴趣点,可以及时的反馈给用户下一时间段用户可能喜欢的地点。在目前的一些研究工作中,通常没有考虑融入时间因素、社交关系以及图像信息来提高系统的推荐性能。为解决这个问题,本文提出了融入社交关系、时空信息和图像的多种连续POI推荐模型,这些模型基于排序学习框架,对用户、时间、兴趣点、社交关系和图像信息进行联合建模。在多个数据集上的实验结果表明融入时间因素、社交关系因素和图像信息能有效地提高连续POI推荐的性能。本文主要研究了基于时空、社交和图像信息的POI推荐问题,主要内容包含:首先,在目前的一些研究工作中,通常没有考虑利用时间因素和地理因素相结合的方法提高连续POI的推荐性能,因此,本文从两种角度将时间信息和地理信息相结合融入到连续POI推荐算法,提出基于度量嵌入框架融合时间和地理因素的连续POI推荐模型PMRE-GT1和PMRE-GT2,之前的时间感知POI推荐模型没有考虑如何合理地划分时间段提高推荐性能,为解决这个问题,本文首次提出利用聚类方法合理的划分时间段,并加入时间特征向量学习用户的时间参数,为了防止过拟合的现象,本文在目标函数中加入时间正则项。其次,本文研究基于度量嵌入框架融入社交关系的连续POI推荐算法,提出了PMRE-GS1和PMRE-GS2模型。计算用户和朋友间的签到行为相似度,并加入到社交关系正则项中,利用用户社交朋友的偏好约束用户的偏好向量。而且,本文将时空信息以及社交关系因素同时融入到度量嵌入框架中。再次,本文研究了基于图片信息和地理信息信息的连续POI推荐算法,利用CNN深度学习框架提取用户的图片特征向量,融入到贝叶斯个性化排序框架中,提出VSPOI模型。最后,我们在多个真实数据集上对本文提出的多种模型进行实验,比较连续POI推荐的性能。实验结果表明:本文提出的时间感知模型,社交关系模型和VSPOI模型的推荐性能好于之前的工作,说明将时间,地理信息社交关系因素和图像因素融入到连续POI模型中确实可以有效地提高连续POI推荐的性能。