互联网使得目前数字图书馆中的信息资源更加丰富,但随着信息量的膨胀,出现了“信息过载”和“信息迷向”现象。为了更好的为用户提供符合其偏好特征的信息,个性化推荐技术成为数字图书馆领域重要的研究内容并得到研究者越来越多的关注。其中协同过滤技术和基于关联规则的推荐技术也是个性化推荐领域研究的重点,本文针对以上两个问题展开了研究。首先,在协同过滤推荐技术方面,分析了目前存在的问题,指出随着数字图书馆系统用户数目和图书资源数目的日益增加及用户专业背景的差异,而导致的评分矩阵在整个项目空间上极端稀疏,使得推荐结果与用户的兴趣偏差较大。针对该问题,在传统协同过滤提出了一种基于聚类技术的推荐算法,该算法将SOM和K-means技术相结合对图书资源进行聚类,从而缩小了近邻搜索的范围和需要预测的图书资源数目,很好地解决了矩阵稀疏性问题,提高了推荐的准确度。其次,为了增加馆藏的借阅率,本文采用关联规则分析来进行借阅模式挖掘从而获得图书馆用户的兴趣爱好,分析出不同类读者所借书目的集合,自动为读者提供与这类书相关的其它书籍。但直接使用频繁模式增长算法会产生数量非常可观的关联规则,再根据这些规则向用户推荐主题会给系统造成很大的负担,且可能造成大量重复的推荐,产生了大量的计算冗余。通过对频繁模式增长算法的改进,并结合了在线推荐和离线推荐方法,达到了较满意的推荐效果。最后,对上述研究技术进行了实验分析及验证,并对今后的研究工作进行了展望。