互联网的快速发展,使得信息呈现指数型增长,在丰富人们知识信息的同时,也带来着信息过载的问题。在此背景下,推荐系统应运而生。个性化推荐是通过对用户历史行为信息进行学习,来构建用户的兴趣偏好,从而主动的推荐给用户感兴趣的信息。协同过滤推荐技术凭借着简单易构建、可解释性好等特点,成为目前推荐系统较为成熟且应用较为广泛的推荐技术。协同过滤推荐近年来在研究领域获得很大的进步,应用也越来越广泛,但仍存在着相似度计算对用户评分差异不敏感、综合相似度计算中权重系数的确定较为粗糙、近邻选择不够精准等问题,这些都对推荐系统的预测准确性造成很大的影响。本文在总结和分析现有推荐算法的基础上,以相似度计算为出发点,提出一种基于多相似性测度优化的个性化推荐方法,在评分相似度计算、综合相似度权重确定、近邻选择三方面对推荐过程进行优化,提升推荐结果的准确性,所做主要工作如下:（1）针对传统相似度计算对用户评分差异不敏感问题,通过引入信息熵概念,利用信息熵能够度量数据混乱程度的特性,来构建用户特征相似度。而对于引入信息熵计算相似度带来差异性抵消、未考虑共有项目占比的问题,对原有计算公式进行修正,首先用实际差值对信息熵公式加权,其次在归一化后利用Jaccard相似度进行修正,得到本文定义的用户特征相似度。用户特征相似度度量用户评分向量的差异对用户相似的影响,即用户评分差异大,则用户相似程度低。（2）融合用户评分相似度和用户特征相似度构建综合相似度,其中用户评分相似度是利用SVD++方法对评分矩阵进行填充后计算Pearson相似度得到。两相似度的加权中,利用粒子群优化算法确定两种相似度权重比例,以RMSE值为目标函数,权重系数为粒子,确定精细程度更高的权重系数,从而得到更为精准的综合相似度。（3）针对近邻选择不够精准问题,提出了一种兼顾评分相似度和兴趣相似度的二次筛选近邻集的方法。首先借助项目的属性信息来构建用户-类别兴趣矩阵,其次利用TF-IDF的思想计算用户的兴趣偏好向量,进而计算向量间相似度得到用户兴趣相似度。二次筛选中,首先设置兴趣相似度阈值获得候选近邻集,再通过综合相似度二次筛选得到更优近邻集。在数据集上进行仿真实验,首先设置本文定义的用户特征相似度与传统相似度在协同过滤推荐算法的对比实验,以验证本文优化相似度计算方法的有效性,其次设置本文算法与其他算法模型的对比实验,以验证本文所提出算法的有效性。从最终的实验结果可以看出,本文算法在推荐系统覆盖率保持稳定的基础上,推荐系统评分预测准确性有所提升。