近年来,伴随着智能设备的广泛应用和移动网络的高速发展,用户习惯将自身经历分享给亲近的朋友,因此大量的具有时空特征的用户轨迹数据在不断产生。轨迹数据规模庞大、包含丰富的信息,这给推荐带来了巨大的挑战。现今人们急需解决怎样对轨迹数据进行快速且精准的推荐这一问题。聚类技术是获取轨迹数据信息的重要方法。通过对轨迹数据进行聚类,可以挖掘和分析用户日常生活中的好友信息、活动规律以及行为模式等数据,为用户提供高准确性、符合其要求的推荐。针对基于轨迹数据的用户兴趣区推荐方法,研究工作主要由三个部分构成。首先,针对海量的轨迹数据,提出了一种改进的密度峰值聚类方法。该方法改善了密度峰值聚类算法中需要人工设定初始参数截断距离的问题以及初始聚类中心点选取时间复杂度过高的问题。使用改进后的聚类算法进行数据预处理,得到表示用户个人的单独用户兴趣区。其次,对于公共兴趣区的提取,将兴趣区之间的地理关系与社会关系相融合,构建关系模型,并根据该关系模型生成矩阵进行公共兴趣区的划分提取。最后,对于兴趣区推荐,按照社会关系密度将公共兴趣区进行从高到低的降序排列,设定阈值,将高于该阈值的公共兴趣区进行协同过滤推荐。同时通过实验验证了以上方法的可行性与有效性。实验采用GeoLife数据集,该数据集是一个来自微软亚洲研究院提供的真实用户历史轨迹数据集。通过在该数据集上进行实验,证明了提出的聚类方法在准确性方面要优于经典密度聚类算法和密度峰值聚类算法,且在同时考虑时间及准确率的情况下也要优于上述两种聚类方法。针对推荐部分,将本文方法与概率因子算法和奇异值分解算法进行实验对比,准确率与召回率全部高于两种算法,证明了采用提出的方法进行推荐可以在一定程度上提高现有的基于轨迹数据的用户兴趣区推荐方法的准确性。