随着互联网和电子商务的迅猛发展，人们逐渐走入了信息过载的时代，互联网中充斥着海量信息，使得用户很难找到自己真正感兴趣的信息。而作为内容提供者和广告商，要想让自己的信息能被用户找到，也是一件很困难的事。推荐系统在这样的背景下被提出来，它可以帮助用户快速发现有用的信息。推荐系统不需要用户提供明确的需求，而是分析用户的历史行为，挖掘出有用的信息，从而给用户推荐能够满足他们需求的信息。协同过滤推荐技术是推荐系统的核心技术之一，而其中基于近邻的协同过滤推荐技术是目前应用最为广泛和成功的技术。本文以推荐系统中的基于近邻的协同过滤为研究目标，主要解决协同过滤算法中的数据稀疏问题。本文主要针对这些问题，对基于近邻的协同过滤算法进行了相应的改进，主要工作如下：(1)阐述当前推荐系统和推荐算法的研究现状，并介绍了主要的推荐技术以及评测方法。(2)对基于近邻的协同过滤进行了详细的介绍，并针对相似度计算存在的问题，提出了一种考虑用户之间的差异性的相似度计算方法。详细介绍了基于SVD的协同过滤算法，并提出了结合SVD的基于近邻的协同过滤算法，使得推荐结果更加准确。(3)在MovieLens数据集上，对本文对基于近邻协同过滤的改进方法与传统的基于近邻的协同过滤推荐算法进行比较，验证改进方法的可行性。