随着信息技术和人类生产生活深度融合、互联网快速普及,全球数据呈现爆发增长、信息爆炸问题日趋严重,以个性化推荐为代表的大数据挖掘技术正在成为解决信息过载的重要工具。图书馆是高校中的“知识海洋”,为全校师生提供图书借阅、文献检索及科研支持等服务。在传统的借阅方式中,师生产生图书借阅行为源于学习需求及兴趣爱好,图书以一种被动的方式被借阅。在这种借阅形式中,读者会面对以下两个问题:一是在数以百万计（国内部分高校图书馆藏书已达千万级）的图书面前难以快速找到符合需求的书籍;二是不能较好地发现潜在兴趣爱好而进行拓展性阅读。同时,对于图书馆而言,由于被动式借阅方式使得许多图书借阅率低、空置率高,图书资源得不到充分利用。对于传统的图书管理系统而言,由于功能设定的缺失和所能处理数据量级的限制,上述三个问题难以得到良好的解决。据此,本文通过分析研究场景需求、结合业界现有解决方案、综合考虑场景可用数据提出混合推荐算法,并设计了基于Spark大数据处理引擎搭建个性化图书推荐系统方案,旨在解决现有问题,为提高校师生借阅质量、提升图书资源利用率提供思路。本文的研究内容及主要贡献如下:（1）设计了一种基于时间上下文信息优化的协同过滤算法。算法就高校图书馆缺失图书评分问题,提出一种基于读者“借阅”、“续借”、“预约”及“荐购”行为建立的兴趣度评分模型。在此基础上,针对传统协同过滤算法存在捕捉用户兴趣变迁能力不佳、推荐准确率不高问题,从时间角度利用图书分类号信息对其进行优化。经过验证,本文提出的优化算法在推荐10本图书的情况下,推荐准确率比未经优化的协同过滤提高了51.3%。（2）设计了一套面向研究场景的混合推荐算法方案。方案给出了一种基于图书摘要等信息的文本语义推荐思路,并对该思路的实现进行详细地阐述与探讨。然后通过实验探讨了该方法在推荐准确率及覆盖率上的表现。紧接着方案就文本语义推荐准确率较低、覆盖率较高与协同过滤类算法准确率较高、覆盖率较低特点给出了一套混合推荐方案。经实验证明,在推荐10本图书的情况下,文章提出的混合推荐算法比优化后的协同过滤推荐算法准确率提高了11%、覆盖率提升了13%。（3）设计了一套基于Spark平台的推荐系统。文章首先对系统的业务和功能需求进行分析,进而根据分析结果给出了基于Spark大数据处理引擎的推荐系统架构,并对其分布式平台搭建、数据处理及推荐计算模型进行深入研究。