近年来,互联网及移动互联网发展迅猛且规模日益扩大,如京东、爱奇艺等各种网络应用平台如雨后春笋般涌现,各种各样的推荐系统得到了广泛地应用。协同过滤推荐算法是推荐系统中技术较为成熟,使用范围较为广泛的推荐算法之一。然而随着数据结构日益复杂化和数据类型的增加,传统协同过滤推荐算法暴露出一些难以克服的问题,使其推荐性能难以满足商家和用户的要求。在协同过滤推荐算法中越来越多的聚类算法被应用于对用户集和项目集进行预分类,此类协同过滤推荐算法受限于无监督聚类的聚类精度,为此本文引入半监督AP聚类算法,以提高聚类的精度。制约协同过滤推荐算法推荐性能的另一个瓶颈是相似性度量方式,这是由于度量对象的复杂性和多样性所导致的,因而本文考虑通过改进相似性度量的方式以改善数据稀疏性问题。另外,跨域协同过滤推荐算法中存在着数据稀疏性问题和负迁移问题,为此本文引入了自适应迁移聚类算法和跨域相似度矩阵。单域协同过滤算法的改进。在基于聚类的单域协同过滤推荐算法中,无监督聚类的聚类精度较难满足推荐的需求,并且由于度量对象的复杂性和多样性,使得传统的相似性度量方式较难准确地反映对象真实的相似度,从而导致推荐结果不理想。为此,本文提出了融合半监督AP聚类和改进相似性度量的协同过滤算法。算法首先将k-近邻思想与成对约束思想融入AP聚类算法,得到基于k-近邻密度估计的半监督AP聚类算法。其次通过将活跃用户惩罚因子和轨迹相似度融入Pearson相似度的方式对相似性度量进行改进。然后利用半监督AP聚类算法与改进的相似性度量方式得到用户对项目类别的偏好矩阵。最后利用偏好矩阵预测评分缺失值。跨域协同过滤算法的改进。在传统跨域协同过滤推荐算法中,如果域间差异较大,往往会出现负迁移问题,从而导致推荐结果不理想。为此,本文提出了融合自适应迁移聚类与矩阵分解的跨域协同过滤算法。首先在目标域和辅助域之间构建基于用户的跨域相似度矩阵和基于集群（簇）的跨域相似度矩阵,将两种矩阵融入联合聚类算法得到自适应迁移聚类算法。其次利用自适应迁移聚类算法得到最优跨域相似度矩阵,进而计算出迁移正则项。然后对目标域评分矩阵进行非负矩阵分解,利用迁移正则项改进目标用户潜在因子。最后重构评分矩阵以达到评分预测的目的。为了验证本文算法的有效性,在Vowel,Abalon,Yeast和Shuttle等六个聚类数据集以及两个推荐算法数据集Movielens和Book-Crossing上进行了实验,结果表明数据稀疏性问题得到一定的改善,同时推荐性能得到了一定的提升。