协同过滤技术是推荐系统中应用最广泛的一种个性化推荐技术，因而得到了众多科研人员的青睐。本文以协同过滤推荐算法为主要研究对象，针对协同过滤推荐算法在实际应用中面临的准确性、扩展性、数据稀疏性和实时动态性等几个关键性问题进行展开和深入分析，结合最优化算法技术和机器学习等技术手段提出了对这些关键问题的解决方案。具体如下：1、针对协同过滤推荐算法的准确性问题，提出了一种基于二阶段相似度学习的协同过滤推荐算法。该算法旨在通过较少的迭代计算改善推荐算法准确性，它以既约梯度法迭代寻优为主，K近邻算法为辅，实现了相似度的逐步学习，进而提高了相似度的计算精度。实验表明，在一定条件下基于二阶段相似度学习算法不仅在误差性能上优于传统的推荐方法，而且算法收敛速度快，可实现相似度参数动态调整和分布式计算。2、针对协同过滤推荐算法的扩展性和数据稀疏性问题，在基于二阶段相似度学习的协同过滤推荐算法的基础上，提出了一种基于子空间用户代表的协同过滤推荐算法，该算法旨在通过将项目集划分子空间，并在子空间上利用模糊C-均值聚类算法产生用户代表，将这种基于子空间用户代表和基于二阶段相似度学习的协同过滤推荐算法结合，在不失准确性的前提下提高算法扩展性。同时为了缓解数据稀疏性对算法的影响，对子空间用户相似度的计算作了改进。实验表明，这种算法在提高扩展性的同时保证了准确性，而且提出的子空间用户相似度计算新方法缓解了数据稀疏性的影响。3、针对协同过滤推荐算法的实时动态性问题进行了探索，提出了考虑时序性的基于滚动时间窗的用户-项目-时间三维动态模型，并在此基础上研究了针对该模型的协同过滤推荐算法。该模型算法对不同时间的兴趣评分按时间序列处理，用户兴趣相似度由不同时间段的分量组合而成，注重了算法的时效性；进而推导出了该模型的增量算法，利用增量算法减少了计算相似度的时间复杂度；最后设计了合理的实验，实验结果表明，与传统的二维协同过滤推荐模型相比，本文提出的三维动态模型及算法获得了更高的推荐命中率。