当前,各类信息数量的增长迅速,用户如何在海量数据中找到有价值的信息成为一大难题。推荐系统的提出可以很好地满足用户的需求,具有现实意义。推荐系统在人们日常生活中扮演着重要的角色,它可以帮助用户根据他们的历史偏好找到个性化的商品,而协同过滤是应用最广泛、最成功的个性化推荐方法。针对传统协同过滤的数据稀疏性、可扩展性以及用户冷启动这三个问题,本研究提出了一种基于灰色关联分析的协同过滤推荐算法。本研究主要包含以下三个部分:首先,研究用户聚类方法,以缓解数据稀疏性问题及可扩展性问题。利用邓氏灰色关联分析和最小距离聚类方法,将具有相似兴趣的用户聚集到同一类中,再在小类中为用户作推荐;其次,研究用户画像,以解决新用户推荐问题。由于新用户无法获取历史评分,通过研究用户画像,获取用户画像相似性可以弥补新用户没有历史数据的问题;最后,研究用户相似性的计算方法,以解决目前相似性计算方法精度不高的问题。利用改进的灰色关联接近度计算同一类中的用户相似性及用户画像相似性,提高相似性计算的准确度。本研究从以下四个方面验证提出算法的性能:算法对参数的敏感性、相比较其它算法的推荐准确性、对不同平台的适应性以及应对新用户推荐的有效性。实验结果表明与现有的几种算法相比,该算法不仅可以有效缓解数据稀疏性问题,还能适应四个平台不同稀疏性的数据,具有较好的扩展性能,同时还能有效应对新用户推荐的问题。