近年来,数字图书馆的建设受到世界各国高度重视,并已迅速发展为人们获取知识和信息的重要途径之一。但随着数字图书馆信息的快速增长,如何从海量的数字资源中获取用户需要的信息面临着巨大挑战。传统的基于检索的信息获取技术已经不能完全满足人们的需求,个性化推荐系统正逐渐成为数字图书馆不可或缺的部分。本文主要研究个性化推荐技术,提出了一种数字图书推荐算法,尽可能地利用已知信息挖掘出用户喜好,为用户提供个性化的图书推荐,基于该算法实现了CADAL数字图书馆的个性化图书推荐系统。本文的主要工作如下：第一、提出一种top-N混合推荐算法,算法结合了基于用户的协同过滤推荐算法和基于信任的推荐算法,有效地缓解了协同过滤算法中遇到的用户冷启动问题。实验显示,混合推荐算法与简单的基于用户或者信任的推荐算法相比,推荐精度有所提升,特别是对于冷启动用户,推荐精度提升非常明显。第二、根据算法的特点,选择并行计算能力非常强的GPU作为算法的运算工具,并且利用CUDA (GPU通用并行计算架构)架构,实现了基于GPU的算法并行版本。实验显示,基于GPU的并行推荐算法与普通的基于CPU的算法相比,计算性能有了显著提升。第三、利用CADAL数字图书馆的用户访问日志和用户之间的互相关注信息,实现了基于GPU的并行图书推荐系统(CPBRS),并集成到CADAL新的个性化服务平台(iCADAL)中,取得了不错的效果。