随着网络技术的蓬勃发展，社会发展逐渐迎来了社交网络(Social NetworkServices)的时代，一些著名的社交网站已成为影响力巨大的信息交流平台，如：Facebook，MySpace和Flickr等等。在社交网络时代里，许多用户把现实中的好友关系转移到网络中来，因此，好友推荐模块作为社交服务网络中非常实用的个性化服务，日益成为有助于用户更快地建立良好的好友关系的沟通方式。但由于数据稀疏(Data sparseness)和冷启动(Cold start)问题的存在，使得好友推荐系统缺乏足够的数据信息，进而影响推荐结果的精度和个性化程度。如何在好友推荐系统中更合理的挖掘数据信息是解决以上问题的关键因素。所以，本文的主要研究内容如下。首先，概述介绍了好友推荐的相关知识，包括推荐系统的应用、模型和用户特征，详述了推荐系统的特点和发展现状。紧接着介绍了目前比较常用的几种好友推荐技术，以及这些技术各自的具体应用领域和存在的问题。其次，本文在基于传统的User-based推荐算法基础上，提出了融入用户兴趣的推荐算法。首先，通过利用用户的兴趣模型，计算用户的兴趣度；然后，利用改进了的用户相似度计算方法，把用户兴趣融入到传统的推荐算法中。融入后的推荐方法在一定程度上提高了好友推荐的准确性和个性化，尤其是对于推荐系统的实际推荐作用。然后，考虑到信任网络在社交网站中的重要作用，本文又提出了融入用户社交信任的好友推荐方法。通过信任邻居集的重新选取，对用户评级做进一步的改进，接着在协同过滤算法的基础上，由融入信任后的用户相似度公式，产生最后的推荐结果。最后，对本文提出的两种算法，即融入用户兴趣的推荐和融入社交信任的好友推荐方法分别进行了对比实验，并就预测精准度和多元化等方面对算法进行了分析。