协同过滤是一种当今个性化推荐领域应用最为广泛的推荐技术。本文提出了一种基于微博引用及其用户特征和分类的协同过滤推荐算法,该算法综合考虑了微博用户信息及习惯特征和用户引用内容分类偏好特征的相似性。首先,计算微博用户个人信息和用户习惯的多维度相似性,再根据引用内容标题在多类别中的比例,对用户构建特征并计算用户偏好的相似度。然后,对多个相似度的结果加权得到用户的综合相似度,排序后得到目标用户的近邻用户集,即为对微博用户的推荐用户结果集。最后,根据近邻用户集对微博项的评价预测目标用户的喜好指数,产生推荐微博项。对于微博个性化推荐中的用户运算数据集的选取,本文提出了基于用户关系的用户数据集抽取和基于分类特征的用户数据集抽取,从而大大降低了运算用户集的数据量,对算法的性能有很大的提升和优化。本课题中主要做了以下方面的工作：1.调研了个性化推荐领域的国内外研究方向和算法的相关技术。2.设计并实现了一种基于微博引用及用户特征和分类的个性化推荐模型与算法,详细介绍了系统的流程与架构。3.对本文算法有效性进行了验证,选取新浪微博的微博数据集作为本文实验数据,使用本文提出的算法进行了相关验证,比较了本文提出的算法中的各类别阈值、权值的选取对推荐结果的影响,同时分析了实验结果与系统性能。实验结果表明,本文提出和设计的算法能够很好的为微博用户提供个性化推荐服务,对于用户较为感兴趣的热点微博和热门用户都可以得到很好的推荐效果。