随着Internet的普及和电子商务的快速发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。许多著名的电子商务网站都开发了推荐系统，为顾客提供个性化的信息推荐服务。电子商务推荐系统能够直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。 电子商务推荐系统已逐渐成为电子商务信息技术的一个重要研究内容，受到越来越多研究者的关注。特别是应用最成功的协同过滤推荐系统，在理论和实践中都得到了很大发展，但是随着电子商务系统规模的进一步扩大，协同过滤推荐系统也面临着一系列挑战。 论文对电子商务推荐系统及其相关技术进行了深入的探讨和研究，并详尽分析了协同过滤推荐算法在应用过程中存在的问题及现有的解决方法，在此基础上提出了基于顾客交易数据的协同过滤推荐方法，然后更进一步地提出了改进算法，即基于项目综合指标值预测的协同过滤推荐算法和基于顾客模糊聚类的协同过滤推荐算法。 基于顾客交易数据的协同过滤推荐思想是：基于顾客的购买交易记录数据应用RFM分析方法来确定顾客对商品的忠诚度，并以体现顾客忠诚度的IRFM综合指标值来反映顾客的购买偏好，然后基于IRFM分析矩阵应用提出的协同过滤推荐算法为顾客提供个性化的商品推荐。基于项目综合指标值预测的协同过滤推荐算法和基于顾客模糊聚类的协同过滤推荐算法则是在上述推荐思想的基础上对传统协同过滤方法的改进。论文对提出的算法进行了详细的理论分析，并验证了推荐算法的合理性和有效性。提出的算法很好的解决了传统协同过滤推荐方法在应用中存在的问题，从而有效提高了电子商务个性化推荐系统的推荐质量。最后，论文对研究内容进行了全面的总结，指出其存在的不足，并展望了未来进一步的研究发展方向。