数字图书馆中包含了海量信息，在如此庞大的资源中容易陷入“信息迷航”。为解决“信息迷航”问题，个性化服务应运而生，但目前数字图书馆的个性化服务大部分不能满足用户多样化和个性化的需求，缺乏主动推送式的个性化服务。如何根据用户个人的兴趣，将用户真正感兴趣的信息主动提供给他，使之能真正做到“各得所需”，才是个性化服务系统的核心。通过对国内外个性化服务关键技术的研究，重点分析了主流协同过滤技术的原理、特点和方法之后，得出在数字图书馆领域，协同过滤机制虽能优化个性化服务。但随着数字图书馆应用越来越广泛，用户数目和数量都急剧增加，用户评分数据稀疏的问题愈加明显，难以判定合乎规范的相似用户群，因而协同过滤的质量急剧下降。针对传统协同过滤算法不适合描述用户兴趣完整性的缺陷，提出了基于数字图书馆的用户建模方法，把对用户兴趣的分类转化为对中图项目的选择，并引入中图项目兴趣权重和时间阈值的概念来研究用户在不同中图兴趣类别中随时间表现出来的兴趣差异和变化，实现了对用户兴趣偏好的定量衡量。此外，提出了一种基于中图分类和聚类的协同过滤推荐改进算法。在基于用户背景特点初步聚类的基础上，采用基于若干中图分类项目-用户分类矩阵概念，来分别计算相似用户群。从而来缩小了近邻的范围，降低时间复杂性且两个用户之间可能因为“局部点”相似而成为某一中图分类兴趣上的近邻从而产生有用的推荐。针对提出的改进算法选取了图书馆中的相应数据进行实验，实验表明,改进后的算法比传统协同过滤算法在推荐准确度上有明显提高。