随着互联网中内容的爆炸式增长,每一秒都会产生4万GB以上的内容。在这种情况下,传统搜索引擎的索引覆盖率正在不断降低,难以为用户提供全面且准确的检索服务。而元搜索引擎技术通过调度多个不同的搜索引擎的方式,能够有效地提高检索结果的覆盖率。与此同时,通过搜索引擎与推荐技术的结合,挖掘搜索引擎用户间的相似关系,充分利用搜索引擎中丰富的数据资源,能够为用户提供更多的个性化搜索服务。然而在目前阶段,针对元搜索技术以及其中的推荐技术的相关研究尚不完善,都还存在着许多不足亟需解决。本文主要对元搜索引擎技术与推荐技术结合的设计、实现与应用进行了相关研究。首先本文对元搜索引擎技术及推荐技术的研究进展进行了分析归纳,并在此基础上提出了元搜索引擎中推荐方法的设计方案及流程。其次,本文对元搜索引擎中推荐方法中的关键技术展开了深入研究。其中包括充分分析用户在元搜索引擎中的隐式信息及显式信息,完成元搜索引擎内的用户模型的构建,对元搜索引擎内的用户进行规范化描述;针对推荐方法中存在的群组划分机制的欠缺,从不同维度对用户信息进行分析,设计了一种元搜索引擎内的细粒度的用户群组划分方法,自主地对元搜索引擎中的用户进行分类;通过用户点击模型分析用户的点击记录对推荐进行过滤,全面考虑用户间的综合相似程度进一步衡量推荐内容的相关性,完成推荐内容的筛选与排序。最终,本文对提出的元搜索引擎中基于用户信息与行为的推荐方法进行实现,完成元搜索引擎技术与推荐技术的有效结合。为了说明本文提出的元搜索引擎中的推荐方法的效果,本文进行了相应的实验验证。不但对推荐方法内的各关键技术的有效性进行了验证,而且通过对比实验的方法对整体的推荐方法进行了准确性评估,实验结果表明本文提出的推荐方法能够稳定地为用户提供个性化的搜索服务,并提升用户的搜索体验。