目前在推荐领域,协同过滤推荐是被深入研究,同时也被广泛应用在实践中的具有非常重要意义的推荐算法。但是当在数据集中混入攻击数据或者当有恶意用户(如:托攻击)时,目前提出的协同过滤推荐算法暴露了其存在的弱点。传统的基于矩阵分解的协同过滤算法即最小二乘法,由于该方法天生具有的对离群点的敏感,导致该传统方法鲁棒性能较差。因此,推荐系统的安全问题面临着巨大挑战,本文针对该问题进行了深入的研究探讨。本文的主要研究内容如下:首先,本文提出了一种基于Tukey双权法的M估计量的鲁棒协同过滤方法。在提高推荐算法鲁棒性方面,引入了稳健估计方法的Tukey双权法。相比较传统的基于Huber的M估计的鲁棒推荐算法,在推荐的准确率和鲁棒性方面都有了显著改善。通过引入迭代最小二乘以及随机梯度下降法将其与矩阵分解模型进行融合,达到增强推荐算法的鲁棒性的目的。其次,本文又提出了一种基于MM估计的鲁棒协同过滤方法。该算法将两种稳健估计方法进行整合而得到的一个新方法。首先利用基于最小残差尺度的S估计求出最小残差,之后引入Tukey双权函数,利用重加权最小二乘估计和随机梯度下降,通过不断的迭代,完成对用户特征矩阵和项目特征矩阵的鲁棒参数的估计,使得基于MM估计的鲁棒推荐算法具有高效率和高鲁棒性。最后,设计实现本文提出的算法,并且通过实验验证了本文算法的高效性和鲁棒性。实验所选用的数据集是国外知名的电影网站开放的数据集Movielens数据集。