协同过滤推荐是个性化推荐系统中应用最成功、最广泛的一种技术，但该技术不能为系统中的新用户产生精准的项目推荐，这就是用户冷启动问题。挑选项目引导新用户评分，以获得更多的用户偏好信息，是解决用户冷启动问题的常用方法。将主动学习用于评分引导过程，用尽可能少的交互次数获得信息含量较高的评分数据，从而为新用户进行项目推荐，关键在于主动学习项目选择策略的设计。针对此，本文进行了详细的研究，主要研究工作如下：　　(1)深入研究了协同过滤推荐、主动学习以及主动学习用于用户冷启动推荐的相关内容，为后续的工作提供理论基础。　　(2)在基于用户的协同过滤推荐中，提出了一种自适应主动学习方法。在项目选择过程中，自适应方法能动态调整不确定性和代表性的权重分配，基于用户满意度最大化标准择优选择当前最有价值的项目交由用户评分。在常用推荐数据集上的实验结果表明，自适应方法能有效获得冷启动用户的高质量评分信息，提高了推荐准确率。　　(3)针对新用户可能不会为查询项目提供评分的情况，提出了一种融合矩阵分解特征的主动学习方法。该方法充分利用矩阵分解的特征信息挑选热门项目给用户评分，目标就是使挑选出的项目最有可能被新用户评价并且能够充分利用当前用户与训练用户给出的评分信息。与多个方法的对比实验结果表明，在查询相同数量项目的情况下，融合矩阵分解特征的主动学习方法能获得更多有效的评分数据。