电子商务已经在团购，在线酒店，票务预订等领域获得了空前的发展，基于位置服务和智能终端应用也已经在用户中品普及。而基于移动环境的电子商务，又为用户建立了快速获取服务的渠道。在移动环境下，用户对于服务信息获取的行为模式具有低集中度，实时性偏好以及情境化偏好三种特点。移动环境下的推荐系统和算法，最需要解决用户兴趣根据位置变化而快速变化，新用户冷启动以及如何产生高质量推荐等问题。本文也围绕这几个问题的解决，提出新的智能推荐系统和算法，以求满足用户在移动环境下的需求以及系统实现中所需解决的性能问题。　　 本文提出的基于移动环境的智能推荐算法，即通过位置对项目的评分算法得到用户当前位置对每个推荐项的评分，并且得到了项目的“项目质心”和质量。位置对项目评分算法的核心思想是寻找用户当前位置与目标项目之间的相关性，通过的途径是通过推荐项的项目质心的概念，计算用户当前位置与这个项目质心的距离，从而实现相关性的计算。在离线环节，我们根据项目的“项目质心”为项目进行聚类算法，得到近似项目簇。推荐算法的在线运算量将通过聚类的引进大大减小。最终当一个用户发起推荐请求时，我们从计算其与对各个项目簇的评分并查找最近邻开始在线环节的流程。通过规范化属性和调整权重最终产生推荐项目的排序。我们对推荐系统的各个环节进行了实验，利用现有不同类型的团购数据和模拟的带位置信息的用户访问(评分)，分别验证了位置对项目评分算法的有效性，项目质心生成的有效性，对项目对位置评分进行了修正。在聚类环节中，本文验证了基于质心的聚类相对协同过滤聚类的收敛性。最后我们对整个推荐系统的推荐精度进行了实验，通过比较各类算法的MAE验证了位置对项目评分在移动环境下的意义。通过不同聚类簇下MAE的变化发现了精度的变化，另外也提出了权重调整的方案，用以适应不同场景和不同类型项目的需要。