随着互联网的发展，网络上的信息越来越多，传统的搜索引擎已经不能满足用户个性化的信息需求，推荐系统的出现就是要将用户从大量的信息中解脱出来，快速准确的将用户感兴趣的内容推送到用户面前。本文在前人研究工作的基础上，结合机器学习最新的研究进展，提出了基于因子化条件受限玻尔兹曼机的混合推荐方法和基于深度学习的个性化推荐方法。　　本文的主要工作包含如下两个方面:　　(1)针对协同过滤推荐不能有效解决冷启动和数据稀疏性问题，本文提出了一种基于内容和协同过滤的混合推荐方法，将内容和用户行为互相作为信息补充，降低了抽取所得特征的准确性对基于内容推荐的影响以及用户行为数据稀疏性对协同过滤推荐的影响。实验结果表明，使用用户特征能够加快模型的收敛速度，提高预测评分的准确性。　　(2)在基于因子化条件受限玻尔兹曼机的混合推荐方法的基础上，提出一种基于深度学习的个性化推荐方法，进一步改进模型预测评分的准确性，实验结果表明，用户特征的使用能够提高深度模型评分预测的准确性，但是会增加模型的训练成本。