互联网的不断发展给人们带来了极大的便利,但与此同时也带来了信息爆炸的问题,用户如何从海量的信息中快速找到自己需要的信息、商家如何将自己的商品推荐给用户成了迫切需要解决的问题。因此,推荐系统作为解决信息爆炸的工具被应用于各个领域。而随着推荐系统的不断发展,以准确性作为唯一评价指标的传统推荐系统已经不能满足人们的需求,人们对推荐系统提出了新的要求,其中以多样性与新颖性为代表。本论文针对现有的基于多目标优化的推荐系统进行研究,针对原算法目标函数设置不合理的问题提出了新的目标函数,针对目标函数权重设置不合理的问题引入了偏好策略。此外,针对原算法在三目标空间中分布性差、收敛性不足等问题提出了一种新的多目标推荐算法,提升了算法的性能。具体研究工作包含以下三个方面:（1）本文在基于聚类的多目标优化算法基础上提出了针对用户聚类的目标函数来平衡推荐算法的多样性、新颖性以及准确性。并且提出了一种新的方法来动态确定最近邻的数量,保证了算法在运行过程中自适应地根据集群中用户数量选择最近邻用户。此外,在初始化中应用了基于初始集群相似性与多样性比例的初始化方法,保证了初始化过程中种群的相似性与多样性平衡。最终实现了在不牺牲较多准确性的前提下,提升了推荐系统的多样性与新颖性。（2）本文提出了一种基于改进资源分配与偏好用户引导的推荐算法。通过引入用户的相似度信息以及偏好信息修正个体适应度函数,增大准确性目标函数的权重。同时,在多目标优化的交叉阶段,采用了一种偏好用户引导的多亲本交叉方法,使得算法在交叉时产生基于准确性偏好的子代,引导算法的进化方向。结果显示,算法在准确性与多样性目标上有所改善。（3）本文提出了一种基于混合偏好策略的三目标推荐算法。本算法在多目标优化阶段通过NSGA-Ⅲ进行优化,通过NSGA-Ⅲ的个体保留机制改善了算法的分布性。在种群初始化阶段采用了一种基于物品度的分层式初始化方法,保证种群在新颖性目标函数上的分布。此外,在设计算法的交叉算子时采用了一种基于NSGA-Ⅲ的混合偏好策略,通过种群分布的拥挤情况动态调整交叉方式。结果显示,算法的分布性以及在准确性目标函数、新颖性目标函数上的表现得到了较大的提升。