微博作为一种新的且应用广泛的社交网络，近年来引来许多学者研究，其中微博用户推荐是研究热点之一。由于微博结构上的单向弱关系特性，单纯的利用传统推荐算法进行用户推荐，存在着推荐不精确问题，同时对推荐因素考虑不足也在一定程度上影响推荐的质量。本文分析了微博的特性，针对微博关注者的推荐算法进行研究，重点分析和研究了热点关注者推荐和个性化关注者推荐两类问题。首先，在热点关注者推荐算法部分，针对热点用户识别不准确，以及认证用户优先被推荐问题，提出了一种热点用户识别方法，以进行热点关注者推荐。首先分析了微博信息传播的方式，选取了用户的博文数量、回复数量等五个影响因素描述用户的行为模式以识别活跃用户，其次根据用户声誉、被访问量和微博影响力在活跃用户的基础上设计热点用户的识别方法，最终将热点度高的用户推荐为热点关注者。其次，在个性化关注者推荐算法部分，针对推荐过程中预测评分的不精确问题，提出了基于微博用户属性和贝叶斯分类的推荐算法。首先根据传统的基于用户的协同过滤算法对目标用户未关注的人进行初始预测评分，其次结合微博用户属性和贝叶斯分类，得到目标用户喜欢未被其评分的关注者的概率，最后结合二者优化改进初始预测评分，并将该算法与传统的推荐算法进行比较。最后，采用Eclipse编程实现具体算法，对文中以上两点的研究内容进行对比分析。通过对实验结果的详细分析，验证了热点关注者推荐算法的有效性以及基于贝叶斯属性分类的个性化关注者推荐算法的合理性。