随着互联网的迅速发展,“信息过载”问题也日益严重,推荐系统作为解决信息过载问题的重要工具,在未来互联网的发展中扮演着引擎的作用。推荐算法的设计问题是推荐系统最为核心的部分。目前,应用最为广泛的协同过滤推荐算法在推荐系统领域取得了显著的效果。但是,在面对数据稀疏问题、用户兴趣随时间的迁移问题、项目特征模糊性和用户兴趣模糊性问题时仍有不足之处。本文提出了一种基于项目特征模糊性与用户兴趣偏好性的推荐算法（CFIUM）。具体研究内容主要包括以下几个方面:（1）针对用户项目评分矩阵的稀疏性问题和用户喜好随时间因子的用户兴趣迁移问题,本文采用了基于牛顿冷却定律改进的时间因子衰减模型和SVD（奇异值分解）技术进行用户项目评分矩阵的评分加权和填充,根据填充好的用户项目评分矩阵计算项目之间的评分信息相似性。（2）对于项目特征信息的模糊性问题,使用类高斯隶属度函数构造项目特征隶属度矩阵,根据项目特征隶属度矩阵计算项目特征信息之间的相似度。并通过网格搜索的优化算法将用户评分信息相似性和项目特征信息相似性进行加权,得到综合上述两种信息的项目之间的综合相似度。（3）根据用户历史行为信息,使用项目特征隶属度构造用户项目特征偏好矩阵,并使用用户项目特征偏好矩阵对加权填充后的用户项目评分矩阵进行评分修正。将修正好的评分数据根据梯形隶属度函数构造用户兴趣模型,最后,使用综合考虑了用户的兴趣模型和项目之间相似度的推荐信任分计算策略进行推荐。（4）基于上述理论方法,本文算法在Movie Lens100k电影数据集上进行实验仿真,通过实验对比分析来评测该算法的推荐性能。首先,通过对比实验分析用户兴趣变化参数和相似度权重系数对推荐效果的影响,并确立其最优化参数。然后,将本文算法与基于项目的协同过滤算法（ICF）和基于项目特征模糊性与用户兴趣模糊性的推荐算法（FIUM）分别在不同训练集的个数下和不同的Top-N推荐个数下进行对比分析,实验表明该推荐算法与对比算法相比在推荐准确率和召回率上均有所提高,CFIUM算法相比于ICF算法和FIUM算法的平均准确率分别提高了11.49%和7.77%。平均召回率分别提高了5.29%和4.99%。本文主要创新点在于:提出了同时考虑项目特征属性模糊性和用户兴趣模糊性的推荐算法,通过网格搜索的优化算法将用户评分信息和项目特征信息相融合来计算项目之间的相似性。