随着科学技术的飞速发展，互联网络正以指数级增长，提供给我们越来越多的信息。而信息过滤技术的产生使我们可以从庞大的资源池中，快速获取最相关的信息。协同过滤作为一种比较成熟的推荐技术已经成功应用于互联网的各个场景，它主要是根据属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。透过协同过滤，有助于搜集具有类似偏好或属性的用户，并将其意见提供给同一网络中的其他用户作为参考，这也符合人们通常在决策之前习惯参考他人意见的心理。通过研究协同过滤技术，我们发现如何充分利用用户和产品构建的网络中的有效信息，为用户提供准确而多样的推荐结果成为了此类技术发展的核心。在本文中，我们主要研究加权网络中的协同过滤推荐技术。加权网络是由用户集和产品集互相联系而建立的推荐关系网络。在实际应用中加权网络随处可见，B2C网站中用户购买商品的评分记录，购买时间，产品上市的时间，用户之间的信任程度，用户添加的标签信息等等都可以作为网络的权重信息参与到推荐中，所以也具有很高的研究价值。针对传统推荐模型中考虑原始打分的情况，我们提出了一种基于购买间隔权重的基准模型来消除外部因素对评价信息影响。另外我们也研究了考虑tag信息的推荐网络中的权值添加模型，针对tag信息建立新的权重模型，改变相似度的计算方案，提高推荐的准确度。最后，由于在传统的个性化推荐系统中存在着用户信息可能泄露的问题。我们重点研究了协同过滤推荐技术中的隐私保护模型，提出了一种新的信息保护策略，用来在基于系统过滤的推荐系统中保护用户的隐私信息，实现了推荐准确度的零丢失。