随着计算机网络的快速发展，用户每天上网都会面临巨大的信息量，这就导致出现了信息过载。为了解决信息过载，最早出现的是搜索引擎。但是人们慢慢发现搜索引擎无法满足人们的个性化需求，在此情况下，个性化推荐系统得以发展起来。科研界人员和工业界人员在过去的一段时间，付出了大量的时间和经历着手解决此问题，以使得人们的网上生活变得更加便捷。但是当前个性化推荐技术距离满足人们的需求还有一大截的距离，还有很大的提升空间。　　从推荐算法的原理出发，给出了推荐系统算法的分类:基于内容的推荐算法、基于协同过滤的推荐算法以及混合推荐算法。本文分析了各种推荐算法的优点和缺点，并给出了一种基于隐语义的混合算法，用于提高推荐效果。本文的主要工作如下:　　(1)给出了推荐系统的产生原因、当前工业界和学术界对推荐算法的研究状况和各种常用的推荐算法。　　(2)给出了推荐系统中的隐语义模型，隐语义模型借助隐特征空间将用户和物品联系起来，隐特征空间能够很好的表达用户兴趣和物品信息属性，比传统的推荐算法效果好。　　(3)使用谱聚类得到用户隐类和物品隐类。借助原始评分数据矩阵进行投票从而得到用户隐类和物品隐类的关系权重矩阵。这样大大降低了原始评分数据的维度，提高了效率。综合隐语义模型和隐类关系提出了一种新的混合推荐算法，并使用人工神经网络对混合推荐算法中的参数进行优化，实验证明此混合推荐算法改善了推荐效果。　　(4)在评分矩阵中一般将空的评分记录设置为O，这样是不合理的。本文分别从用户和物品的角度出发，给出评分矩阵初始值问题的解决方案。