个性化推荐系统是电子商务技术的一个重要研究内容,其中,个性化推荐系统中的协同过滤推荐是迄今为止应用最广泛、最成功的推荐技术。但是,随着电子商务系统规模的不断扩大,许多用户向系统中注入大量虚假恶意信息的行为对推荐系统的安全性提出了严峻挑战,协同过滤推荐算法如何在受到恶意数据攻击的情况下得到可信推荐的问题亟待解决。本文在对国内外研究现状综合分析的基础上,进一步对个性化推荐算法的安全问题进行了深入研究。首先,深入分析了现有攻击数据及其检测算法的特征,针对现有的一些攻击检测算法存在的计算时间长,精确度低的问题,通过引入攻击的时间集中性质,提出一种基于正态云模型和时间集中性的可疑评分度量方法;在此基础上,提出一种基于正态云模型的PCA攻击检测改进算法,使其能够提高算法的精确度和查全率,并进行了实验验证。其次,为了解决目前个性化推荐系统中的用户可信度计算方法过于侧重用户的推荐历史信息,忽略了用户评分的真实程度而影响推荐精度的问题,本文将用户可信度分解为用户评分可信度和用户推荐可信度两部分,引入攻击的时间集中性概念,并以正态云模型在定性知识表示及定性知识转换时的桥梁作用和beta分布特征为基础,分别提出了在攻击检测中计算用户评分可信度的方法和基于beta分布的用户推荐可信度计算方法。该方法可以使计算得出的用户可信度更加准确。最后,在已有协同过滤算法的基础上,将本文提出的用户可信度的计算方法合理的应用到推荐算法中,提出基于用户可信度的可信个性化推荐算法以提高算法的可信度及抗攻击能力。为了验证该算法的正确性和有效性,从多个方面与其它算法进行了对比实验。