随着互联网技术的发展,人们获取新闻的方式也在发生显著地变化,从传统的报纸、杂志向新闻聚合网站发展,如国内的网易新闻、新浪新闻,国外的谷歌新闻、雅虎新闻等。人们从信息匮乏时代进入信息过载时代。对于这些新闻网站,如何高效精准的通过分析用户的兴趣给用户推荐新闻成为一个重要的任务。近年来,随着微博等社交网络的兴起,许多学者试图通过分析用户的微博和社交行为来构建用户的兴趣肖像库,基于微博的用户兴趣研究成为一个新的研究热点。本文对基于微博的个性化新闻推荐算法进行了研究和分析。主要工作内容如下：针对微博字数少的限制,本文通过词性标注和微博扩充等手段,扩充了微博的内容,从而更好地表示用户的兴趣；因为新闻属性的不完整和改善用户体验。本文设计了一个组合分类器对新闻文本进行分类并且设计了一个智能摘要算法来对新闻自动生成摘要；为了解决推荐系统的冷启动问题,受中国餐馆过程启发,本文提出了一种基于词向量的推荐算法。为了更好的挖掘用户和新闻之间的关系,本文通过使用张量来对用户和新闻建模,基于此提出了一种基于张量分解的推荐算法。通过实验对比,本文提出的基于词向量的推荐算法优于传统的基于关键词的内容推荐算法和基于主题模型的推荐算法,而且在用户发的微博较少的时候,算法的效果也很好,算法的容错性、健壮性较好。通过对用户和新闻间多种关系的挖掘,本文提出的基于张量分解的推荐算法,好于传统的基于同构网络的算法。本文还提出了一个完整的基于微博的个性化新闻推荐系统的设计方案,并详细阐述了系统设计与实现。通过对系统的实现,证实了算法的有效性和系统的可用性。