随着智能手机、可穿戴设备等各类移动终端的普及,移动应用在人们日常生活中的使用日趋广泛。然而,大多数移动设备普遍存在硬件配置较低、计算能力有限、电源功耗明显等问题,使得对计算资源需求日益强烈的移动计算应用面临越来越严重的挑战。近年来,随着互联网技术如云计算、大数据、虚拟化等的发展,为解决上述问题提供了技术支撑。尤其是,移动云计算技术为移动应用的发展带来了巨大的突破。在移动云计算环境下,如何搭建适合移动应用的开发框架,如何提高移动云服务的推荐效率,如何解决移动设备的信息过载问题等,成为影响移动云计算后续深层次应用的关键环节。综合上述分析,本文将针对移动云环境下的服务推荐应用,从协同过滤推荐技术、上下文感知技术及两者的优化拓展、综合应用等方面展开研究。主要的研究内容体现在以下几个方面：为了解决移动云环境下传统服务推荐模型存在的数据稀疏性高、推荐准确率低的问题,本文基于图论设计了一种动态协同过滤服务推荐模型。通过对移动云环境场景中服务推荐问题的分析,本文明确了解决该问题的难点在于模拟现实场景数据变换过程和降低高维数据稀疏性等方面。为了克服现有推荐模型存在的诸多弊端,本文提出一种针对动态服务推荐的混合协同过滤模型。该模型在原有的相似度计算、近邻选取、单一模型预测等基本单元的基础上,引入了预测顺序和流形相似度的概念,并通过划分近邻关系建立了多过程预的测图优化模型,并依据改进的拓扑排序算法生成最终的预测顺序完成服务推荐。基于该模型的服务推荐过程能够有效降低数据的稀疏性,同时提升预测的准确率。为了满足移动云环境下推荐系统对于时效性、多样性服务的需求,本文基于CP张量分解理论设计了一种基于时间上下文感知的服务推荐模型。具体而言,本文在原有时间上下文场景中面向用户偏好变化、推荐热点变化等研究的基础上,进一步考虑时间因素对服务推荐的影响,结合近邻模型、隐语义模型以获得最佳推荐效果。该模型建立了一种用户-服务-时间结构用于挖掘用户、服务和时间信息及其相互关系。通过区分动态服务质量指标和稳定服务质量指标建立时间上下文感知的近邻模型。最后,考虑到基本近邻模型缺失隐语义因素对于推荐结果的影响,本文在近邻模型的基本原理上进一步结合张量分解的时间感知隐语义模型。最后,本文进一步延伸和优化了上述两种推荐模型,并以一个实际的移动云计算服务案例一基于时空感知的服务推荐出租车智能管理,将两者分别应用到出租车监管平台的不同阶段,以期验证本文所提出的服务推荐模型的有效性。针对移动应用场景下实时轨迹检测的需求,本文提出了一个基于GPS大数据的、旨在改善出租车的服务质量的在线异常轨迹检测方法OnATrade。该方法主要分为路径推荐和在线异常轨迹检测两部分：第一部分,通过对出租车大规模GPS数据集的检索,过滤出起点至既定终点的候选路径集合；第二部分,实时比较出租车当前行驶路径和候选路径集合中的轨迹是否匹配,当出租车偏离了候选轨迹时,在线实时检测系统将进一步判定行驶轨迹是否为异常行为,同时将异常信息反馈给乘客、出租车司机以及交管部门,必要时可及时制止异常行为。