针对个性化商品推荐方法中普遍存在的推荐准确率不高的问题，提出一种集成用户信任度和品牌认可度的商品推荐方法（TBCRMI）。该方法通过分析用户的购买行为和评价行为，计算得到用户对商品品牌的认可度和用户自身的活跃度；然后利用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法对用户进行聚类，并在此基础上融合用户信任关系，采用Top- K方法得到近邻关系；最后，依据近邻关系生成目标用户商品推荐列表。为了验证算法的有效性，使用Amazon Food和Unlocked Mobile phone两个数据集，选择基于用户的协同过滤算法（UserCF）、融合用户信任的协同过滤推荐算法（SPTUserCF）与合并用户信任的协同过滤算法（MTUserCF），对准确率、召回率和 F1值等指标进行了对比分析。实验结果表明，无论是多品牌综合推荐还是单一品牌推荐，TBCRMI在各项指标均优于目前常用的个性化商品推荐方法。