随着微博应用的飞速发展，微博用户数量和信息数量呈爆炸式增长，微博平台逐步进入信息过载阶段，有效的微博用户推荐成为提高用户体验度的关键技术。论文以中心用户为种子启动微博爬虫，以消除名人效应和僵尸粉效应，推荐与中心用户高度相关的关注用户为目标，主要围绕微博爬虫系统、影响力评价算法以及相关用户聚类三方面展开研究，并根据实际要求设计实现以种子用户为中心的微博用户推荐系统。论文主要研究内容如下：　　(1)针对微博社交网络登录机制安全限制、数据类型多样等问题，提出了基于模拟登录的微博爬虫系统（Microblog Crawler System Based on Simulated Logining, M C S S L)。首先综合考虑用户推荐应用需求，制定待采集的数据规范以及数据存储方式，然后通过程序模拟用户终端登录微博行为，实现程序对微博页面的访问，从而实现相关数据的采集。实验结果统计表明，采集所得的数据与微博社交网络实际数据相吻合，且相对于API采集方案， MCSSL在数据完整性和采集高效性上更具优势。　　(2)对比分析群体智能与微博社交网络用户行为之间的相似性，提出了基于粒子群算法(Particle Swarm Optimization, PSO)的微博用户影响力评价方案。首先统计待推荐用户集的微博数据，结合用户集互动数据，包括微博评论数、转发数、点赞数等，引入粒子群算法的速度和位移更新公式，改进粒子群算法的影响力评价公式，完成用户间影响力度及其变化趋势的衡量。　　(3)研宄 K-means聚类算法，根据需求提出基于属性权重的K-means优化算法。全面考虑微博用户的活跃度、用户间的亲密度和影响力度三个指标，结合K-means算法的思想为目标用户推送三个属性都相对较高的推荐用户集。实验结果表明，基于粒子群算法的微博用户推荐系统，以目标用户为中心，充分考虑连续时间内的待推荐用户对目标用户的影响力度。相比较于经典的推荐算法PageRank，文中设计的推荐系统在准确率和召回率上具有明显的优势。