随着互联网技术的高速发展，网络上的资源逐渐由匮乏状态转变为现在的爆发式增长状态。在信息爆炸的时代，利用推荐系统处理过载信息，可以使用户更方便的找到自己所需的内容，电影推荐系统就是要在大量用户观影行为和电影数据上进行分析与计算，得到推荐结果并传达给用户。　　为了能够更快的处理大量信息，Hadoop应运而生，解决了大数据的可靠存储及处理问题。但是，随着大数据处理技术的普及，人们发现MapRecue也存在一些局限性，使用起来也较为困难。其问题有抽象层次较低，使用难以上手，只提供两种操作Map及Reduce表达力欠缺，中间结果也放在HDFS文件系统中，延时较高，对于迭代计算性能比较差。因此，技术发展的趋势将会是Hadoop MapReduce被新一代大数据处理平台所替代，而Spark平台目前得到广泛的认可。　　本文的主要研究的内容是利用分布式Spark平台计算优势，帮助用户从庞大的影视信息中找出他们感兴趣的电影，并向用户推荐，避免让用户陷入信息过多的困扰。本文研究的重点主要有以下几个方面：　　1、设计一套基于分布式Spark平台的推荐系统及其相关协作系统。这些协作系统保证了推荐系统的正常运行。其中存储系统作为数据的存储支撑，保证系统数据的可靠性和存取效率，展示页面是联系推荐系统与用户的重要桥梁，利用Dubbox框架将系统改进成服务化架构，解耦整个系统，使系统能够横向扩展。　　2、本文着重介绍了推荐系统的核心——推荐引擎，深入研究其算法，包括协同过滤推荐算法和基于题材相关性推荐算法，改进原有的基于题材相关性推荐算法一些不足之处，使算法在满足长尾效应和并行优化方面得到提升，推荐结果更符合用户意愿。本文分析了当算法提交到Spark集群后，集群任务的划分及执行情况。　　3、列出整个系统运行和开发所需要的环境、软件及软件版本，详细阐述了系统一些关键技术的实现，包括缓存机制和服务化架构。最后展现系统原型。