随着互联网的飞速发展，网络信息量剧增，给用户提出了如何有效利用网络资源的挑战。推荐系统作为一种信息过滤技术，逐渐发展成为解决网络信息过载问题的一个有利工具。在众多的推荐方法中，协同过滤是迄今为止应用最广泛、最成功的技术之一。然而，由于推荐系统的开放性，一些恶意用户向系统提供大量的虚假评分信息从而使推荐结果产生严重偏离，导致用户对推荐系统的满意度下降。因此，面对这种用户概貌注入攻击，如何对用户做出可信推荐成为目前推荐系统中亟待解决的问题。本文从数据源的可信性、邻居选取策略、推荐系统的鲁棒性以及top-N推荐的可信性等几个方面对可信推荐方法进行了深入研究。首先，针对已有信任计算方法对用户间信任关系度量准确性较差的问题，提出一种融合用户可疑度的多维信任模型。基于用户-项目评分数据，通过引入信息熵理论和基于密度的局部离群因子的思想，对用户的可疑度进行度量；根据信息源可信性理论，从多个视角对用户间的信任属性进行分析和度量，以提高用户间信任度计算的准确性。其次，针对已有启发式推荐算法推荐质量较差的问题，提出一种基于双重邻居选取策略的协同过滤推荐方法。基于用户相似度计算结果，动态选取目标用户的兴趣相似用户集；采用提出的融合用户可疑度的多维信任模型，计算得到目标用户对每个兴趣相似用户的信任度，并以此作为选取可信邻居用户集的依据；采用双重邻居选取策略，结合常规的协同过滤推荐算法，完成对目标用户的推荐。再次，针对已有基于模型的推荐算法鲁棒性较差的问题，提出一种融合可信邻居模型的鲁棒协同推荐方法。将提出的融合用户可疑度的多维信任模型与基线估计方法相结合，构建可信邻居模型；在此基础上，引入基于M-估计的矩阵分解方法，完成对目标用户的推荐。然后，针对已有top-N推荐方法召回率较低和鲁棒性较差的问题，提出一种基于可靠用户的top-N推荐方法。采用提出的融合用户可疑度的多维信任模型度量用户间的信任关系，根据信任度计算结果，选取目标用户的可靠用户集；在此基础上，采用多种方法为目标用户选取候选推荐项目，并利用“均值法”融合策略给出目标用户的top-N推荐结果。最后，对提出的方法进行了实验验证，和已有的方法进行了对比，并对今后的研究工作进行了展望。