随着投资者群体以及金融市场信息规模的不断扩大,传统的以提供金融数据为核心的互联网金融平台已经无法满足各类投资者的信息需求,这使得互联网金融平台逐渐从以提供金融数据信息为核心转化成以提供金融服务为核心。证券推荐作为一种投资建议服务可以辅助投资者做出更好的投资决策。因此在证券投资领域起到越来越重要的作用。目前的证券推荐系统存在系统资源耗费严重、难以进行实时性在线推荐、推荐的证券适应性差、质量不高等问题,为解决上述缺点,本文以证券推荐系统的受众群体——投资者为主要研究对象进行投资者风格画像建模、投资者群体关系挖掘以及智能证券推荐建模工作,开展了基于用户投资风格的智能证券推荐研究。针对当前证券系统无法准确获取投资者重要特征的局限性,提出了基于用户投资分析的投资风格画像建模方法。采用传统的业绩归因理论对投资者投资数据以及市场数据进行结合,并从投资能力以及投资偏好两个角度建立更加完备的投资者风格描述特征。根据特征描述设计对应的投资者风格画像,建立特征的时效性指标来验证画像描述的稳定性,并通过系统实现与平台应用验证建模方法的有效性与可行性。传统证券推荐系统无法动态捕捉用户的兴趣偏移状态,严重影响到证券推荐结果对于投资者的适应性,本文利用投资者的风格画像特征,采取群体关系挖掘的方式动态捕捉投资者的投资风格转移情况,提出了优化的遗传聚类群体挖掘模型。对传统群体挖掘聚类模型进行深入调研,并对基础遗传聚类算法的各个遗传组件进行了优化,包括染色体初始化优化、适应度函数设计优化,遗传操作优化等优化策略,基于此设计了投资者群体划分的整体方案,包括系统模块组成、运行逻辑等。根据优化设计方案开展了相关对比实验,证实了所提出的模型相比于传统的群体聚类挖掘方法可以表现出更优异的性能。在完成投资者描述以及捕捉投资者特征偏移后,本文提出了基于投资者投资风格与群体关系的证券推荐模型。深入研究基于奇异值分解(Singular value decomposition)理论的推荐算法后,针对其计算复杂度高,扩展性差的缺陷,提出了结合用户群体划分的推荐方法,采用矩阵降维与群体划分技术降低线上推荐算法的运算复杂度,引入双层SVD机制以及投资者偏好捕捉机制用以提升证券推荐模型的推荐效果,通过推荐准确性预测及推荐证券收益性能指标验证所提出的证券推荐模型可以为投资者提供高质量、个性化的在线证券推荐服务。