为解决由Internet的普及和迅速发展所带来的信息超载问题，电子商务推荐系统应运而生。它与用户进行交互，对用户的兴趣爱好进行预测，从而推荐用户所感兴趣的产品，以保证用户对企业的满意度和忠诚度。 现存的推荐系统在取得了一定成功的同时也显示出相当多的弱点，如个性化程度低，推荐效率低等。针对上述问题，本文首先对电子商务推荐系统的基本概念和算法，尤其是协同过滤算法进行了介绍及比较分析。然后分别针对目前推荐系统中研究较少的新用户问题和用户兴趣随时间而变化的问题进行了算法研究。分别提出了基于模糊聚类的推荐算法和基于客户行为序列的推荐算法。 基于模糊聚类的推荐算法利用模糊聚类计算目标用户对产品的评分，利用产品相似性对相似产品进行过滤，从而选择合适的产品进行推荐。 基于客户行为序列的推荐算法将客户历史记录时间进行分段，并在各时间段对用户进行聚类，从而挖掘出客户行为序列规则。将目标客户的行为序列与行为序列关联规则进行对比，并根据规则进行推荐。 最后，通过仿真实验对两个算法分别进行了比较研究，证明了两个算法的推荐性能。