协同过滤推荐系统被广泛地应用到电子商务网站等诸多领域,可以有效解决“信息超载”问题。但是,一些恶意用户蓄意伪造虚假用户评分来干扰系统的决策推荐过程,企图使系统产生有利于个人的推荐结果,这种恶意攻击行为严重影响了系统的推荐质量以及用户对系统的信任。因此,如何保障推荐系统不受恶意攻击的影响,为用户提供真实可靠的推荐结果已经成为一个值得研究的热点问题。本文基于可疑用户度量的思想,从基于内存和基于模型的推荐技术两方面展开研究,致力于设计一系列鲁棒性高、精度损失少的协同过滤推荐算法。首先,针对基于用户的推荐算法近邻选取可靠性不高的问题,提出一种基于k-距离和项目类别信息的鲁棒推荐方法。根据离群点检测思想,实现用户可疑度计算;将用户可疑度与项目类别信息相融合,给出缺失值填充计算方法,对用户的未评分项进行填充;基于填充后的评分矩阵,结合传统的基于用户的协同过滤推荐技术将用户相似度和可疑度共同作为选取邻居的依据,实现对目标用户的鲁棒推荐。其次,针对已有信任计算模型在攻击概貌存在情况下对用户间信任关系度量不准确的问题,提出一种基于可疑用户度量和多维信任的鲁棒推荐方法。根据用户概貌的特征训练相关向量机分类器,对用户可疑度进行度量;基于用户评分信息挖掘用户之间的隐式信任关系,结合用户可疑性信息构建可靠多维信任模型;将可靠多维信任模型与基于用户的近邻推荐模型相融合,完成对目标用户的可靠推荐。再次,针对基于矩阵分解的推荐算法在面对托攻击时鲁棒性较差的问题,提出一种基于模糊核聚类和支持向量机的鲁棒推荐方法。根据攻击概貌间高相似度的特性,利用模糊核聚类技术在高维特征空间对用户概貌进行聚类,将攻击概貌聚到同一类内;利用支持向量机分类器对含有攻击概貌的聚类进行检测,进一步识别攻击概貌;将攻击概貌识别结果融入到矩阵分解过程中,提高算法的鲁棒性。然后,针对基于矩阵分解的推荐算法不能平衡处理鲁棒性和推荐精度的问题,提出一种基于可疑用户识别和Tukey M-估计量的鲁棒推荐方法。根据用户评分信息的分布情况,提出评分个数偏离度和邻居平均相似度的计算方法,对可疑用户进行识别,将识别结果与传统的近邻选取思想相结合,构建可靠近邻模型;在矩阵分解过程中引入Tukey M-估计量,构造鲁棒矩阵分解模型;将可靠近邻模型融入到鲁棒矩阵分解模型中,在提高算法鲁棒性的同时提高推荐精度。最后,在MovieLens数据集上与现有的经典方法进行了实验对比分析,验证了所提方法的有效性。