随着互联网的普及和电子商务的发展，电子商务推荐系统越来越受到商家和学者的重视。它能够直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，众多商业网站已经体验到电子商务推荐系统带来的好处。　　 协同过滤推荐是目前电子商务推荐系统最有效的信息过滤技术之一。过去大多学者主要针对推荐算法的实时性和准确性进行研究，而近年来，一些学者意识到电子商务推荐系统的应用背景实际上是一种市场经济下的商业竞争环境，过去提出的推荐算法存在安全隐患。由于Web站点的开放性和推荐系统的用户参与性，使推荐系统易受攻击，从而影响推荐质量。　　 针对现有的协同过滤推荐算法存在安全缺陷，本文从安全角度出发，首先详细介绍了针对协同过滤推荐算法的主要攻击模型，其中包括攻击模型的数据结构特点及攻击原理，同时指出基于用户推荐算法的易受攻击的原因。然后，结合现有分类检测模型的优缺点，提出新的用户相似度计算方法。该方法能削弱低填充规模攻击数据对推荐系统的影响。最后，在充分考虑攻击数据结构的基础上，本文提出跨主题的协同过滤推荐算法，系统阐述了算法基本思想，并对新算法的重要步骤进行详细设计。　　 一系列实验结果表明，本文提出的跨主题推荐算法和改进相似度计算方法在推荐准确性和系统鲁棒性上都优于传统的基于用户协同过滤推荐系统。