推荐系统的诞生是为了解决网络时代带来的信息超载问题。其通过分析用户的行为数据和基本信息、挖掘用户的偏好特点,为用户提供个性化推荐的服务。其中,协同过滤推荐方法应用最为广泛,其主要特点是通过计算不同用户、项目之间的相似性进行推荐。推荐系统在带来便利的同时,也给用户的隐私带来风险。本文分析了现有的面向协同过滤推荐的隐私保护技术现状以及所存在的不足,然后从隐私保护和协同过滤的不同角度入手开展深入研究,提出对协同过滤方法改进方案和与之对应结合的隐私保护方法改进方案,主要研究成果如下:第一,针对传统的匿名隐私保护方法中存在的保护程度过高影响到推荐效果的问题。研究当前的匿名隐私保护方法着重于加强保护所带来的高度安全性,从而使得保护之后的数据挖掘难度提高。为了解决这些方法中的数据损失度高、挖掘鲁棒性高等问题,本文提出了一种用于协同过滤推荐的改进的匿名隐私保护方法。首先引入一种改进的(p,α)-k匿名算法在协作过滤推荐系统中使用,以针对不同的敏感度级别提供不同的保护等级。通过分析不同的敏感属性值,将数据集划分为不同的类别,然后为它们设置不同的隐私泄漏率。此外,该算法结合了聚类和泛化的思想,提高推荐的准确率。实验结果表明,该模型可以有效地实现隐私保护与数据可用性之间更好的平衡。第二,针对传统的用于推荐的密码学隐私保护技术存在效率低的问题。首先,本文针对完全同态加密需要以加密形式执行固定点算术的问题,改进了用于完全同态加密的梯度下降数据结构。接下来,为了提高推荐的质量,引入基于矩阵分解的协同过滤推荐方法并进行改进,该方法弥补了传统协同过滤推荐方法中目标评级矩阵的极度稀疏会极度影响推荐效果。与此同时,我们结合协同过滤推荐和矩阵分解,设计一种基于信任的矩阵分解推荐方法,提出一种新的技术来分析评级矩阵,保留经典分解技术的优点。实验结果表明,该方法可以在尽可能的提高数据安全性的前提下,能够保证数据的可用性。