伴随着移动互联网技术与地理定位技术的崛起，基于位置的服务迅速地渗透到互联网的各类网站和应用中。其中，融合基于位置的服务与传统社交网络结构的位置社交网络发展迅猛，许多结合位置服务的社交类应用受到了许多互联网用户的青睐。用户在位置社交网络上分享自己的位置信息，在自己喜欢的地点进行签到，发表包含位置信息的状态和微博，通过关注周围的人寻找与自己有相同兴趣爱好的人。　　随着位置社交网络应用中用户数据和地理位置数据的迅速膨胀，用户想要快速、准确地发现自己需要的信息变得越来越困难，基于位置社交网络的推荐系统开始出现。研究者们致力于根据用户数据和地理位置数据中包含的信息，分析用户的喜好，并针对用户的喜好对用户进行个性化的推荐，包括潜在好友推荐、地点推荐和活动推荐。但是，由于数据稀疏性和敏感性等因素，位置社交网络的个性化推荐面临许多的问题。　　本文针对位置社交网络中潜在好友的推荐展开研究。介绍了基于位置社交网络的基本概念和相关推荐算法。同时，针对位置社交网络好友推荐中社交影响和位置影响这两个主要因素，介绍了三种相关的潜在好友推荐算法:基于共同好友比重的好友推荐、基于用户协同过滤的好友推荐和基于习惯签到地点的好友推荐。另外，针对位置社交网络用户签到数据稀疏的问题，运用聚类方法对用户签到矩阵进行降维处理，提高用户相似性计算效果。最后，提出了一个线性框架融合了基于社交影响和位置影响的好友推荐算法，力求提高位置社交网络好友推荐的效果。　　本文通过改进算法与传统算法的实验对比，验证了改进算法的可行性。实验结果表明，改进后的算法能够有效提高好友推荐的效果，并且在数据稀疏的情况下，算法的稳定性优于传统推荐算法。