互联网正以前所未有的速度发展，对人们的生活产生着越来越广泛、深入的影响。让用户从海量的信息中找到有价值的信息，同时让有价值的信息被需要的用户享用，一直是相关学术界和企业界所关注的热点问题，推荐技术旨在利用用户的历史行为信息，在不需要用户显式指定查询的情况下向用户主动推荐信息。　　 传统推荐方法仅利用用户对已选择资源的评分信息展开推荐，随着推荐系统的发展，越来越多的推荐系统还包含了用户对已选择资源主动标注的标签信息，如何充分利用这些有价值的标签信息向用户进行资源推荐和改进推荐效果是本文主要研究的问题。本文在标签推荐算法的研究与实现、基于标签的个性化推荐算法的研究与实现两方面开展研究。　　 通过一个标签，用户可以获得被标注了该标签的资源，因此向用户推荐有价值的标签具有较高价值，能够帮助用户进一步获得有价值的资源。本文基于相似用户、已选择资源、共用标签、相似标签提出四种标签推荐算法，向用户推荐与用户相关的标签。在bibsonomy和movielens两个含有标签信息的数据集上开展实验，实验结果表明这四种算法能够有效地向用户推荐标签。　　 传统基于用户相似性的协同过滤方法为目标用户获得最相似的一批用户作为推荐者，利用这些推荐者产生推荐，在计算用户间的相似性时，该方法使用的是每个用户的所有已选择资源，因而得到的是整体相似性，本文提出基于标签的个性化推荐算法，通过标签将资源进行分类，可以计算两个用户在某个标签下的局部相似性，进而获得更细分的推荐者。提高预测用户对资源评价的准确度，向用户进行某个标签下的细分推荐，通过集成各个标签下的推荐结果形成综合推荐。在bibsonomy和movielens数据集上，将基于标签的综合推荐方法与传统基于用户相似性的协同过滤方法进行比较分析，实验结果表明，本文提出的算法能够有效提高推荐效果。