随着网络和信息技术的快速发展,各种各样的信息呈量级剧增,过量的信息已经严重影响了用户对信息获取的准确度,聚类算法和推荐算法的出现就有效地缓解了这一问题。通过聚类分析将相关性高的信息聚集成类,再把有用的信息推荐给用户。模糊C均值聚类（Fuzzy C-Means Clustering,FCM）算法能够对现实中没有明确界限的数据集进行有效聚类,但它存在着对数据进行初始聚类时,无法确定聚类中心的问题。协同过滤推荐（Collaborative Filtering,CF）是目前最常用的推荐算法之一,但是随着用户数量和信息数量的大量增加,数据集的稀疏程度越来越高,且算法中还存在着数据可扩展性差和冷启动等问题。本文的主要工作有:针对麻雀搜索算法（sparrow search algorithm,SSA）存在对初始值敏感,在迭代后期种群缺乏多样性,以及难以跳出局部最优值等问题,采用Logistic混沌初始化麻雀种群位置,提升初始种群质量;并引入反向精英学习策略优化发现者位置更新方式,增强算法的全局开发能力;借助二次插值策略保证了种群多样性和种群抗停滞能力,提高局部搜索能力,避免算法过早收敛。针对模糊C均值算法对数据进行初始聚类时,无法合理确定聚类中心点的缺陷,设计了基于改进麻雀搜索优化的模糊C均值聚类算法（ISSA-FCM）,采用麻雀搜索算法来确定FCM的初始聚类中心位置。该算法有效地缓解了由于初始聚类中心的位置过于集中而陷入局部极值的问题,实验结果表明,基于改进麻雀搜索的FCM算法的聚类效果得到了改善,聚类准确率得到了有效提高。针对协同过滤算法在对稀疏性高的数据集进行推荐时,推荐效果不佳的问题,提出一种基于聚类的协同过滤推荐算法（ISSAFCM-CF）。使用主成分分析法对项目属性进行降维处理,提取用户特征属性,构建用户兴趣偏好矩阵;利用Slope One算法填充评分矩阵中未打分的项目,在一定程度上能够解决数据集稀疏度高的问题;使用ISSA-FCM算法分别对用户和项目进行聚类,使用ISSAFCM-CF推荐算法完成项目推荐工作。在电影评分数据集Movielens上与其他相关的推荐算法进行实验对比,实验结果表明,ISSAFCM-CF推荐算法可以较为准确的预测出用户感兴趣的电影,使推荐系统为用户做出更加准确的电影推荐。