随着互联网的发展和移动终端的迅速普及,人们的生活质量得到了极大的提高,网络上供用户观看的电影数量庞大、类型多样,但是用户需要花费大量时间寻找感兴趣的电影,导致电影资源的利用率过低。个性化推荐技术可以从海量信息中挖掘出有价值信息,并向用户提供个性化服务,可以很好的解决电影资源利用率低的问题。在个性化推荐系统中,推荐算法的好坏直接影响推荐系统的质量,推荐算法一直是学术研究的重点和热点。协同过滤算法应用广泛,但是基于用户的协同过滤算法存在推荐质量不高的问题,其主要原因有两点:第一,算法没有充分利用用户的特征信息;第二,用户评分矩阵存在数据稀疏性的问题。针对上述问题,提出了基于用户综合相似度的协同过滤算法,算法将用户特征引入到相似度计算之中,将用户的相似度分为评分相似度和特征相似度,并且利用相似度的传递原理降低数据稀疏对推荐效果的影响。最后利用标准数据集,设计实验,给出实验结果并对实验结果进行分析,实验结果表明基于用户综合相似度的协同过滤算法能够提高推荐的准确度。在算法研究的基础上,本文设计和实现了一个电影个性化推荐系统,系统基于B/S模式,采用MVC设计模式的三层架构。首先,对电影推荐系统的进行需求进行分析;其次,在需求分析的基础上对系统进行总体框架设计、功能模块设计、推荐算法设计和数据库设计,给出了系统实现的技术路线和开发环境;然后,开发实现电影个性化推荐系统,给出了系统关键技术的实现,其中包括个人信息管理、电影信息管理和推荐引擎;最后,给出了系统的运行效果,并对系统进行功能测试和性能测试。