随着图书馆信息化的快速发展，传统的信息检索的服务方式已经很难满足用户的需求，通过关键字组合的检索方式很难达到用户的真实需求。所以，个性化推荐服务受到了更广泛的关注，它可以挖掘用户信息、图书信息以及用户的操作日志等，挖掘数据间隐藏的关联性，将获得的知识推荐给用户。在比较了几种广泛研究和应用的推荐算法后，采用了关联规则的方法，并结合图书馆的情况对其进行改进。在图书馆推荐系统中，关联规则不需要用户对图书的评价，资源的特征描述等附加信息，但也有不足：新入库的图书很难被推荐；高浏览量图书容易被推荐，但推荐价值不高；不善于发现那些种类相近图书之间的内在联系。本文在Apriori算法中引入了多最小支持度MMS的概念，并在MMS的计算公式中加入了图书入库时间和浏览量两个因素。此外，在关联规则之前根据用户的属性特点进行基于k-means方法的聚类，使用户在相似用户群产生的规则中获得推荐信息。考虑图书馆用户的自身特点，其特性主要包括年级、专业和兴趣，它们是非数值的，所以在聚类中设计了基于混合属性的距离函数。通过上面的改进措施，可以有效地改善Apriori在图书中应用中遇到的问题。在改进算法提出后，设计了一种为图书馆用户服务的推荐系统，并将它进行了实现。经过实验表明，改进算法能有效地改善上述问题，不仅提高了图书资源的利用率，还提高了个性化推荐服务的质量