随着移动互联网的发展，移动应用（APP）累计数量达到百万级别，其中长尾现象非常严重，大量的冷门APP掩盖在热门APP下，未能被用户注意到。APP关联推荐系统希望在用户浏览当前APP的同时，为其推荐与之相关的其他APP，进而扩大整体的分发数量。本文所述的移动应用推荐系统基于百度公司的移动应用分发平台，该平台已经完成了初版的APP关联推荐系统。本文的工作正是在原有的APP推荐基础上，提出新的APP推荐模型，具体包括以下几个方面：在APP推荐系统中引入机器学习技术，将关联APP的每次点击与否作为两类分类问题，借鉴了定向广告系统点击率预估的思路。对比了应用广泛的几种机器学习分类算法在APP推荐问题上的效果，并且通过实验结果来分析说明不同分类效果的差异，从而得出在处理APP推荐问题的一般性结论。为了在语义层面衡量APP之间的相似性，引入主题模型，采用概率潜在语义分析（pLSA）技术来获取APP的文本语义特征。语义特征相比词项特征的泛化能力更强。本文设计并实现了新模型的离线策略和在线推荐系统。新系统可以完成一整套的数据获取、特征构造、模型训练和线上服务的流程。并引入了在线学习（onlinelearning）方法，实时根据用户行为调整关联结果，以获得更好的推荐效果。改进后的APP关联推荐系统已经上线，为百度移动应用分发平台，包括PC端和手机端提供更加准确的APP相关推荐服务。