互联网的出现和普及给人们带来了大量的信息,使人们的生活变的方便快捷。然而过于庞大的信息量也给人们带来了另一个问题—信息过载。个性化推荐系统作为解决信息过载问题的一个重要手段,成为近几年来的研究热点。但是现行的个性化推荐系统也存在很多问题,主要包括稀疏性问题,冷启动问题,可扩展问题等。因此解决这些问题成为了个性化推荐领域研究的难点和重点。迁移学习,顾名思义,从源领域中学习知识并应用到目标领域中解决目标领域中存在的问题。如果能将迁移学习应用到个性化推荐领域,便可以在一定程度上解决个性化推荐领域中的冷启动以及稀疏性问题。本文首先研究了个性化推荐领域中的协同过滤算法以及迁移学习中的一些典型算法。然后重点研究了TradaBoost算法,同时对协同过滤算法进行了改进。在此基础上提出了一种新的具有迁移学习能力的协同过滤算法：TradaBoostCF。该算法适用于目标领域极度稀疏情况下的个性化推荐问题,它是通过使用大量的辅助数据来完成对目标数据集的分类,在分类后,使用改进过的协同过滤算法来完成对用户的个性化推荐,实验证明TradaBoostCF在有辅助数据集的帮助下能较准确的进行目标数据集上的个性化推荐,并能有效解决目标数据集上的稀疏性问题。