协同过滤推荐系统能够依据建立的用户概貌，过滤出用户感兴趣的信息并主动推荐给用户，可以有效解决互联网上出现的“信息过载”问题，已经被广泛应用在电子商务等诸多领域。然而，由于协同过滤推荐系统自身所具有的开放性，攻击者出于商业竞争等目的，人为地向系统注入大量虚假的用户概貌，企图使系统产生对他们有利的推荐结果。这种“托”攻击或推荐攻击给协同过滤推荐系统带来了极大的安全隐患。为了消除推荐攻击产生的安全隐患，关于推荐攻击检测方法的研究受到广泛关注。本文在对国内外研究现状综合分析的基础上，进一步对推荐攻击特征提取及检测方法进行了深入探讨。首先，针对已有专用特征提取方法不能有效描述已知类型推荐攻击的问题，通过引入Hilbert-Huang变换、词频-逆向文档频率和互信息，提出一种推荐攻击专用特征提取方法。在分析已知类型推荐攻击的基础上，利用Hilbert-Huang变换、词频-逆向文档频率和互信息，提取已知类型推荐攻击的专用特征，作为检测已知类型推荐攻击的基础。其次，针对已有通用特征提取方法不能有效描述未知类型推荐攻击的问题，通过引入信息熵，提出一种推荐攻击通用特征提取方法。从用户评分分布的角度，利用信息熵提取未知类型推荐攻击的通用特征，作为检测未知类型推荐攻击的基础。再次，针对已有有监督检测方法误报率太高的问题，提出一种基于支持向量机的推荐攻击集成检测方法。利用上述提出的专用特征提取方法提取用户概貌的特征，利用随机采样技术生成有差异的基训练集，利用生成的基训练集训练支持向量机生成基分类器，对测试数据进行检测，采用多数投票机制融合基分类器的检测结果。然后，针对已有检测方法不能有效检测未知推荐攻击的问题，提出一种基于仿生模式识别的未知推荐攻击集成检测方法，利用上述提出的通用特征提取方法提取用户概貌的特征，利用仿生模式识别技术覆盖真实概貌样本，将覆盖范围之外的用户概貌判断为攻击概貌，在此基础上，通过调整覆盖范围的大小生成基分类器，检测测试数据，采用多数投票机制融合基分类器的检测结果。最后，在MovieLens数据集上与相关工作进行了实验对比，验证了所提方法的有效性。