随着数字图书馆在各国的迅猛发展，其相关研究工作也掀起了一股热潮，其中数字图书馆的个性化服务已经成为一个重要的研究课题，它利用Web挖掘技术，通过对用户的访问日志数据以及订阅信息进行分析和挖掘，发现用户的兴趣所在，进而为不同层次，不同偏好的用户提供具有针对性的个性化信息资源服务。个性化服务对数字图书馆整体的服务决策具有十分重要的意义。本文首先介绍了数字图书馆个性化信息服务技术，接着阐述了Web访问信息挖掘技术的基本原理，并对基于关联规则的FP-growth算法进行了深入研究，针对其应用在推荐系统会产生重复推荐的问题，对算法进行了改进，提出了一种FP-growth_s算法，该算法生成了最大频繁项目集，避免了冗余频繁项目集的产生，减少了产生关联规则的数量，有效解决了产生重复推荐的可能，应用在推荐系统中可以提高系统运行效率。经过进一步的研究发现，利用最小支持度和最小可信度生成的关联规则，在某些情况下并不能对用户提供准确的推荐，针对此问题，提出了一种基于页面兴趣度的IN_FP推荐算法，该算法首先建立页面兴趣度模型，然后对可信度进行兴趣加权，在利用FP-growth_s算法生成最大频繁项目集后，采用加权后的可信度产生关联规则，将该推荐算法应用在推荐系统中可以挖掘出更加精确的结果，为用户提供更有价值和意义的推荐服务。最后，本文搭建了整个数字图书馆个性化服务系统，并把IN_FP推荐算法应用在此系统中，实现了数字图书馆的个性化推荐服务。