为解决传统的门户导航网站和搜索技术在应对“信息过载”方面的缺陷，以“信息推送”为主要服务模式的个性化推荐系统应运而生，并被广泛使用在电子商务平台以及各类Web2.0应用中。以基于矩阵分解为代表的协同过滤算法以其优异的推荐效果受到学术界和工业界的广泛关注。但是当前这类算法对用户偏好的建模过于粗糙，这种缺陷在项目数量大设计领域广的系统中尤其明显。只有当用户偏好很好的被系统“理解”和“描述”时，才有可能在此基础上发挥推荐算法的作用。本文在吸收国内外研究成果的基础上，从新的用户偏好建模的角度出发，提出了两种改进算法。　　首先，针对当前矩阵分解模型中，用户单一隐式特征向量建模的不足，提出了用户多隐式偏好的贝叶斯矩阵分解算法。该方法建立了用户基于主题的局部兴趣视图，以更为准确细致地描述用户偏好。就像聘用多位“专家”来解决各自领域的难题比聘用一个所谓的“百事通”来解决所有事务要好得多，我们通过基于主题的子偏好来更好地预测用户对不同领域项目的评分。在此思想的基础上，我们建立其对应的贝叶斯矩阵分解的模型，并通过变分推理和其它近似技术求得参数的最优后验概率分布。　　然后，我们结合推荐系统中存在的信任评价数据，提出看来基于主题的信任推荐模型。我们先通过实例论证了基于主题信任度模型的合理性;然后，针对细分领域信任数据稀疏性问题，通过经典的PageRank算法和用户局部信任关系数据计算出用户的全局可信任度;其次，结合用户的全局可信度和基于项目的可信度计算出用户基于主题的可信度，并最后计算出预测评分。　　最后，本文在Epinions数据集上对比了经典算法和所提算法，并分析实验结果，总结相关调参经验。实验结果表明，本文提出的算法取得了比经典算法更高的预测准确度，从而证明了本文算法的有效性。