近年来,随着社会经济快速发展,互联网使商品数据呈指数爆发式增长,推荐系统能够帮助人们从海量商品信息中找到相关或喜好的商品,且促进商品经济的发展。但是由于互联网推荐系统开放性较强,导致部分用户可以通过注入伪造的用户信息,对推荐系统中的目标项目的排名进行更改。因此上述的攻击行为在一定程度上干扰了推荐系统的正常运行,从而导致推荐系统的应用和推广受到阻碍。鉴于此,本文提出了两种推荐系统下的托攻击检测的改进算法,具体研究内容如下:（1）针对已有的托攻击分类属性分辨率不高和无监督攻击检测算法准确率较低的问题,本文提出基于改进K均值聚类的托攻击检测算法。该算法引入用户声誉IGR分类特征属性,从而使改进后的K均值聚类算法能够把大部分攻击者聚集在一起。同时,由于聚类后的攻击用户集合中存在真实用户被误判的问题,且考虑到攻击用户的评分间隔时间较于正常用户非常小,提出用户评分间隔加权的RDMA（Score-RDMA,SRDMA）算法对其进行二次分类,最终减少了托攻击对推荐系统造成的影响。实验结果表明,本文提出的基于改进K均值聚类的托攻击检测算法可以有效检测托攻击概貌模型,与对比算法比较,其检测效果更优。（2）针对含有正常用户和攻击用户的不平衡数据集影响托攻击检测精度的问题,本文提出基于改进集成学习的托攻击检测算法。分别在数据预处理和分类方面进行研究分析。首先在解决类别不平衡问题的经典数据合成方法SMOTE的基础上提出改进算法P-SMOTE。P-SMOTE算法在数据预处理阶段对数据过采样前,先计算了各个样本点之间的Pearson相关系数,然后根据Pearson相关系数的比较来确定样本插值的系数,最后具体特异性地进行插值操作。这样不仅改进了数据的不平衡性,而且在保证不存在过拟合的情况下充分考虑了样本的分布规律,可以在一定程度上促使最终的分类效果更好。同时,鉴于托攻击与正常用户在评分变化幅度上的差异,且集成学习能够很好的解决过拟合的问题,提出基于加权熵的Adaboost-SAMMA算法（Adaboost-SAMMA Based on Entropy,E-SAMMA）对数据集进行托攻击检测的分类,实验结果显示E-SAMMA算法在攻击检测分类效果上优于对比算法。