随着计算机技术与网络技术的快速发展，互联网成为了人们日常生活中必不可少的工具。电子商务因其成本低廉、方便快捷、不受时空限制等特点而以令人难以置信的速度蓬勃兴起，基于互联网的商业Web站点结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。怎样在电子虚拟世界中有效的提高产品的吸引力，使企业尽可能获得更多的效益？怎样让用户在成百上万的商品中，选择到自己满意的商品？电子商务推荐系统应运而生，成为解决这些“信息超载”问题最有效的工具之一。电子商务推荐系统通过模拟商店销售人员，分析用户的购买动机，主动向用户推荐商品，帮助用户找到所需商品，从而顺利的完成购买过程。因此，电子商务个性化推荐系统有着强烈的应用需求，具有非常高的研究价值。 本文梳理并分析了电子商务推荐系统的研究内容与研究热点，创造性地提出了用户空间兴趣与时间兴趣的概念，并基于人工神经网络对用户的综合兴趣进行建模。协同过滤是个性化推荐技术中应用最为成功的技术之一，但由于推荐系统本身和客观环境要求的不断提高，协同过滤技术也面临了许多挑战。本文针对传统协同过滤的稀疏性、用户兴趣本身的时间动态性，提出了一种采用人工神经网络的方法进行修正，并进行了对比实验。实验结果表明，该方法的推荐质量比传统的协同过滤方法有所改善。主要研究工作如下： （1）详细综述电子商务个性化推荐下系统的研究现状，并重点对用户兴趣建模技术进行归纳总结，在此基础上，提出了一个综合用户空间兴趣和用户时间兴趣的用户兴趣时空模型。 （2）从空间角度研究用户兴趣，在传统协同过滤技术的基础上，提出了一种基于BP神经网络的最近邻用户集构建方法，在一定程度上缓解了评分矩阵稀疏性对系统推荐质量的影响。 （3）从时间角度研究用户兴趣，详细论述了用户兴趣的动态性，并提出了时间窗口和时间片的概念，试图解释用户兴趣纵向规律。 最后，本文进行了相关实验及分析，结果表明，本文提出的基于神经网络的方法能够在一定程度上提高系统的推荐质量，更好地反映用户的兴趣。