在当今社会,网络已经成为人们获取信息的主要来源。海量的数据信息使得人们很难能够快速获取满足自己需求的信息,而推荐系统能够帮助人们实现这一目标。协同过滤推荐算法是推荐算法中被应用最成熟、最广泛的算法,但其数据稀疏性问题往往制约着推荐质量。本文针对数据稀疏环境下的协同过滤推荐算法进行研究,从不同的角度提出了相应的改进算法,用来提高推荐的精确度。本文首先从用户之间相似度计算的准确性角度进行研究,提出了一种基于评分信息熵的协同过滤推荐算法PRE-CF。该算法将用户评分信息熵与改进的Pearson相似度计算方法相融合形成一种新的相似度计算方法,通过实验表明该算法能够更准确计算用户之间的相似度,提高了推荐精度。接着从原始评分矩阵数据稀疏的角度进行研究,本文提出了一种基于矩阵预填充的协同过滤推荐算法SVDBCF。该算法首先利用slope one算法对原始评分矩阵进行评分预测和初次填充,接着使用SVD算法对初次填充后的矩阵进行评分预测,并将预测所得评分填充到初始的评分矩阵中,然后使用融合巴氏系数的相似度计算公式对填充后的评分矩阵进行相似度计算。通过对比实验证明该算法改善了评分矩阵稀疏所带来的预测评分偏差,相比传统推荐算法有更好的推荐效果。然后从混合算法和用户数据可信度的角度进行研究,本文提出了一种融入信任因子的混合推荐算法CPEBCTCF。该算法首先使用slope one算法以及SVD算法进行评分矩阵的数据填充,然后在权重融合的相似度公式中加入用户之间的信任因子,形成一种混合相似度计算方法进行相似度计算,并在数据集上进行对比实验。结果表明该算法相比较之前所提的两种算法,在数据稀疏环境下拥有更高的推荐精度。最后基于CPEBCTCF算法设计了一个简易的电影推荐系统,本文讨论了该系统的功能需求,分析和设计了系统的架构、功能模块以及数据库,并展现了系统的各个功能实现效果;从而验证了CPEBCTCF算法具有一定的实用性。