在个性化推荐系统得到工业界普遍应用的今日,由于推荐系统与业务场景存在高度依赖关系,在不同任务不同场景间迁移推荐模型和知识,仍旧是个充满困难的课题。同时在互联网企业业务不断推陈出新的背景下,如何能在缺乏数据积累的新领域快速冷启动,成为了推荐系统领域研究的重要关注点,为了解决上述问题,跨域推荐技术应运而生。目前来说,基于域间映射的跨域推荐算法是最被业界广泛应用的,而在这个方向上,基于元学习的一些方法（TMCDR、PTUPCDR）是相对先进、效果最佳的。但是这些方法没有利用到源领域中极为丰富的非重叠用户的信息,仅仅依靠重叠用户数据进行训练,而这部分信息可以通过用户间的相似性关系,关联到用于元网络训练的重叠用户来加以利用,进而改进跨域迁移效果。基于这个思路,本文提出了一种基于用户相似性的跨域推荐算法（USBCDR）,以充分利用用户相似性信息为出发点,引入两种新颖的利用此类信息的技术,提升了基于元学习的域间映射跨域推荐方法的效果,主要包括以下两方面工作:一是应用了基于用户相似性的数据增强技术,对历史行为较少的用户历史交互数据,利用相似性检索丰富其记录,增强了对数量有限的重叠用户中所蕴含信息的利用率,改善了用户行为数据的稀疏问题。二是在现有基于元学习的跨域推荐算法基础上,设计了一种自监督元网络训练方法,以自监督学习中的比较学习（contrastive learning）思想设计训练任务。这一方法利用相似用户互为正样本,设计了一种自监督对比损失函数,旨在使源领域中相似用户在元网络中的输出更为相似,从而不需要为元网络的训练引入外部标注而仍旧可以利用用户相似信息进行自监督训练。相较已有方法只利用重叠用户的训练方法,本文所提出算法能够充分利用全体用户数据进行训练,丰富了样本来源,改善了训练效果。此外,为了验证该算法的有效性,本文在多个跨域任务和多种不同启动环境下开展了实验,证明了USBCDR方法确实对PTUPCDR等目前前沿方法在MAE等性能指标上有进一步改进、在冷启动场景下有更好的性能提升比例。实验结果表明,这种方法对更“冷”的冷启动任务和重叠用户更少的数据集有更明显的性能改善,符合本文设计的预期,证明了方法的有效性。