协同过滤技术是推荐系统使用的一种重要技术，但在应用过程中存在着推荐精确度不高、数据稀疏及易受攻击等问题，信任机制的引入可有效缓解上述问题。将不信任因子引入到推荐过程中来，可以实现对单一的基于信任的推荐系统过滤机制不足的改进。以电影推荐系统为研究对象，主要工作有以下几点。首先，传统协同过滤算法缺少对时效量化的分析，提出一种应用衰减函数的计算用户相似性的方法，将线性的衰减函数作为权值引入算法，用以反映用户兴趣的变化或偏移。其次，计算信任和不信任的估计值是协同过滤推荐过程中关键的步骤，简单的信任和不信任的度量方法没有考虑信任的传播和聚合，提出了一种基于加权平均的信任和不信任值的计算方法，利用栈和队列的存储方式，递归的计算估计值。再次，将信任和不信任因子分别作为加权和过滤因子，与协同过滤推荐一般方法进行结合，并根据各方法的特性将其分成加权平均和协同过滤两类；同时为了扩大推荐邻居覆盖范围，并提高推荐精确度，提出一种推荐邻居集合可变的协同过滤推荐算法，并给出算法执行的基本原理。最后，通过详细的实验过程验证了算法的正确性与执行效率，通过与基准方法进行误差分析和性能对比，验证了时效量化相似性、信任和不信任因子参与推荐过程能提高推荐精确度并扩大推荐邻居覆盖范围。