伴随着信息产业化的发展,人们接受的信息越来越多了,这些信息已经超过了个人和系统所能接受和理解的范围,以致于影响到了我们的生活、学习、工作以及人际关系等。这就是信息过载,以及信息过载为我们带来的困扰。需求驱动着技术的发展,推荐系统就是这样产生了,它是为用户主动定位和推送其感兴趣的内容。个性化推荐系统广泛的应用到我们的生活、学习以及工业生产中,不但影响着我们的生活、学习和工作的方式,而且个性化系统广泛的应用促进了经济的发展,所以研究个性化推荐系统有实用意义。关联规则是先从历史数据中挖掘出来所有的频繁项集,其次再从频繁项集找出来所有的强关联规则。如今,关联规则已经成为了一种常用的推荐系统的方法。但是基于布尔型的关联规则只能处理布尔型的数据,不能处理数量型的数据,那么算法就有了一定的局限性,所以我们引入了模糊的概念。将模糊概念引入关联规则算法,应用到推荐系统中,提高推荐结果的合理性。同时关联规则有一个弊端,采用过大的频繁候选项集,这影响算法的效率。所以,本文提出来了基于决策树的模糊关联规则,并它应用到推荐系统中,这样不但提升了算法的效率,而且使推荐系统具备个性化和人性化。本课题以推荐系统为应用点,以关联规则为核心,以模糊理论和决策树为要点,主要介绍了关联规则算法、模糊关关联规则算法以及决策树算法的理论知识以及它们在推荐系统中的应用。研究成果有如下几个方面:1)研究关联规则与模糊关联规则的基本原理,介绍了apriori算法挖掘频繁集的过程,以及介绍了由频繁挖掘强关联的规则的过程。2)研究决策树算法的基本原理,并介绍了使用ID3算法和C4.5算法构建决策树的过程,并介绍了决策树的截枝和决策操作。3)研究基于决策树的模糊关联规则的算法,并着重介绍了决策树如何优化apriori算法的性能。4)将模糊关联规则和基于决策树的模糊关联规则应用到推荐系统中,并编程实现,在实际的应用中给出来两种模型的差异。