在互联网时代，社会化标签作为资源分类和索引的重要方式之一，开始被用来组织、管理和共享资源。社会化标签不仅能反映用户自身的兴趣偏好，又能体现资源本身的特征。为了能够实现个性化推荐技术效率的提高，学者开始将标签与推荐算法结合起来。而作为当前热门的推荐方法——协同过滤推荐算法，算法基础是目标用户对标注资源的评分，然而用户的评分矩阵下很多的数据都是稀疏的，少量的评分数据并不能很好将用户和资源的特点表现出来。为了能够解决此问题，本文基于社会化标签系统提出一种改进的协同过滤推荐算法。　　基于现有的个性化标签系统理论基础，本文将标签系统与协同推荐系统有效的结合在一起。该算法以社会化标签系统为基础，从标签出发，将用户—标签—资源之间的三元关系图拆分为标签与用户、标签与资源的两个二维关系图，构建用户的兴趣模型，同时缩小并优化评分矩阵，最终生成了基于 Top-N的推荐集。在公开数据集MovieLens上，与传统的基于内容的协同过滤推荐算法进行对比，能够解决传统推荐方法中存在的兴趣模型单一问题，提高了推荐准确度。本文主要完成了如下的工作：　　（1）提出基于标签系统的协同过滤资源推荐模型。基于标签系统的内在结构，将标签集与用户集、资源集很好地结合起来，实现了标签系统与基于用户和基于项目（即资源）的协同过滤推荐算法有效结合。　　（2）对传统的基于内容的协同过滤推荐算法进行分析与讨论，介绍了协同过滤推荐算法的关键技术及模型构建方法，并对其存在的评分矩阵稀疏性、兴趣模型单一等问题进行深入探究，对评分矩阵部分的算法进行了优化。　　（3）介绍MovieLens公开数据集并进行实验，基于MAE、HR/ARHR指标，对传统的两个算法与改进后的两个算法进行评估。