个性化推荐系统是帮助用户在信息超载时代快速获取需求数据的有效方式。推荐算法是实现个性化推荐的重要因素,其中协同过滤是一种应用较多的推荐算法。然而评分数据稀疏和冷启动是影响其推荐质量的两个主要问题。此外拥有庞大的商业价值的用户画像成为当前各个行业实现精准营销一种有效的手段。故提出了基于用户画像与改进协同过滤的混合推荐算法（UPICF）。提出的用户画像分为三个层次:（1）用户自然画像;（2）用户兴趣画像;（3）用户能力画像。使用用户信息、项目信息与评分信息的融合信息构建较全面且可量化的用户画像并将其与协同过滤推荐算法通过特征组合进行混合,一方面可以将用户画像应用于个性化推荐,另一方面可以缓解协同过滤算法评分数据稀疏以及冷启动问题。同时提出专门针对评分数据稀疏以及冷启动问题对传统协同过滤推荐算法进行改进。最后将结合用户画像的推荐算法与改进的协同过滤推荐算法两种算法通过加权进行混合,获得提出的算法（UPICF）。在Movielens1M数据集上进行了实验,并与其他模型进行了比较。实验结果显示提出的模型与对比模型（UPCF）相比,MAE评价指标提升了13.42%,F1评价指标提升了5.52%。实验结果表明提出的算法能有效缓解数据稀疏和冷启动问题,具有一定的意义。