随着因特网和电子商务的迅速发展,互联网中的数据越来越多,如何从大量的数据中筛选出满足用户需要的数据,变得越来越重要,推荐系统为解决这一问题提供了一种有效的手段。当今最为流行的推荐系统会针对具体用户进行个性化的推荐,在个性化推荐系统中,最常使用的为协同过滤算法,协同过滤算法会根据用户的历史评价数据,寻找到与用户最为相似的用户,根据邻居用户的评价数据向目标用户进行推荐。但是,在寻找邻居的时候,传统的协同过滤算法寻找方式单一,有一定的局限性。本文提出了将可信度与推荐算法中的协同过滤算法相结合的推荐系统,能够有效地提高系统推荐质量。系统中使用可信度代替传统的协同过滤算法中的相似度作为寻找目标用户邻居用户的划分标准本文从可信度的主观和客观两方面得出更为全面和准确的可信度数值,在考虑兴趣因素对可信度的影响时,将时间因素融入其中辅助进行分析,这种基于可信度的推荐系统能够得到更好的推荐效果。另外,针对多用户进行推荐时,本文提出了基于参考模型进行比较的方法,能够有效地减少多用户推荐时的系统计算次数,提升系统性能。本文使用python语言编写代码实现了基于可信度的推荐系统。本文在所选数据集上设计了三组不同的对比试验,实验结果表明,本文所提出的基于可信度的推荐系统能够有效地提高传统推荐系统的推荐质量,得出更准确的推荐结果。