社交网络如今成为了人们生活中必不可少的交流工具。在社交网络中,每天都有大量的用户和资源等信息产生,面临着大量的社交网络资源信息,推荐算法顺其自然的成为用户高效获取有用信息资源的重要手段。一个好的推荐算法可以快速准确的为用户推荐各种有用信息资源,然而,当前许多传统的推荐算法为了提高推荐准确度而忽视了可能存在的一些诸如冷启动、数据稀疏、单一评价指标等问题。本文主要是针对上述问题而开展研究。对于冷启动和数据稀疏问题,将结合用户与资源提供者的信任关系、用户对资源领域的倾向和资源本身的声誉,设计了一种项目等级评估模型（CTDR模型）来解决此类问题。对于单一评价指标问题,尽管目前许多研究者提出了多样性、新颖性等一些非准确度指标,并利用多目标优化算法来平衡准确度和多样性指标之间的关系,但他们并没有考虑社交网络中资源的实际属性情况,多目标优化算法也没有将推荐系统的用户行为习惯考虑进来,为此,本文提出了一种主题多样性指标,并且设计一种结合推荐系统中用户习惯的概率多目标优化算法（PMOEA）。实验结果表明,本文提出的综合项目等级评估模型（CTDR模型）和基于概率的多目标优化算法（PMOEA）在社交网络推荐算法具有一定的合理性和可信性,确保了推荐效果的准确性、多样性和新颖性之间的平衡,研究工作具有一定创新性和实用性。本文的研究工作主要包括:（1）为解决社交网络中推荐算法的冷启动和数据稀疏问题,提出了一个结合用户与资源提供者的信任关系、用户对资源领域的倾向和资源本身的声誉三方面的项目等级评估模型（CTDR模型）。（2）针对推荐算法存在的单一评价指标问题,提出了一个新颖的结合推荐列表的主题分布、推荐列表中主题数量、项目中主题分布的多样性评估指标,并将其作为多目标优化推荐算法中的多样性目标函数。（3）针对多目标优化问题,根据推荐系统中用户的实际行为习惯,提出了一个基于概率的多目标优化算法（PMOEA）。