在当今这大数据时代,人们能够接触到的信息量逐渐复杂,但其中许多信息也许并不是我们所想要的。为了解决这一问题,聚类分析和推荐系统应运而生。K-means聚类具有原理简单,易于实现和收敛速度快的优点,常被用于处理一些聚类问题。但是该算法的易受初始中心点影响和无法事先确定k值的缺点限制了它的使用范围。粒子群优化算法具有搜索速度快,易于实现且不易受初始中心点影响的优点,常被用于求解优化问题以及结合其它算法以实现更高效的结果。协同过滤推荐算法的思想是根据用户过去的行为信息分析出用户的喜好并作出个性化推荐,算法的实现简单高效,但是具有不可避免的数据稀疏性和冷启动问题,而且算法的可扩展性差。本文首先研究了K-means聚类算法和粒子群优化算法,针对粒子群优化算法的早熟收敛和无法动态调整权重因子问题提出了混沌搜索过程以及自适应调整因子的改进思想,对粒子群算法进行了改进,进一步提出了基于改进粒子群的Kmeans聚类算法(IPK-means),即利用改进后的粒子群优化算法不易受初始中心影响的优点,为K-means算法搜索寻找较优的初始中心,实验结果表明基于改进粒子群的K-means算法具有更好的聚类效果。然后对协同过滤推荐算法进行了研究,针对协同过滤推荐算法的缺点作出如下改进:(1)使用用户属性矩阵代替用户电影矩阵,以降低数据稀疏性问题;(2)加入IPK-means算法对用户划分聚类以增加算法的可扩展性;(3)加入艾宾浩斯时间曲线,以类比用户的兴趣随时间发生改变。实验结果表明本文的改进算法不仅具有更准确的推荐结果,算法的推荐结果也更加稳定。