近年来,随着互联网的飞速发展,人们能够获取海量信息的同时也越来越难从中找到有用的信息,而推荐系统的出现则缓解了这一问题所带来的影响。在日常生活中,事件的发生都有一定的时间顺序,时间顺序是推荐系统不可忽视的重要信息,因此序列推荐系统受到广泛关注。现有的序列推荐算法容易受到用户行为序列的单向链式结构束缚,一旦序列中出现突发性购买项目则会产生一定的噪音,从而影响整体的推荐效果。由于不同的项目和用户的重要程度和对推荐算法的影响不同,不加以考虑会导致推荐结果缺少个性化。而算法提取序列特征的过程中,使用传统的卷积神经网络容易丢失部分原始数据的空间信息,从而影响推荐的效果。针对上述问题,本文主要研究内容如下:（1）提出了一种基于深层2D反卷积神经网络的序列推荐算法。通过成对编码放松了对序列单链的束缚,使算法可以跳过部分不合理项目,减少突发性交互行为对推荐算法的影响。通过反卷积神经网络扩充、提取序列特征,有效的保留了序列信息的空间特征,使提取的特征更具表达力。（2）改进反卷积层中的激活函数,使用Leaky ReLU替换传统的ReLU,减少静默神经元的产生,允许基于梯度的学习,解决了ReLU函数进入负区间后导致神经元不学习的问题。对损失函数进行了改进,增加权重系数,使训练时更容易得到神经网络损失函数的最小值,获得更好的推荐效果。（3）考虑到不同项目和用户分配权重相同会使算法的推荐结果缺少个性化等问题,在基于深层2D反卷积神经网络的序列推荐算法的基础上对神经网络架构进行改进,提出了一种改进的深层2D反卷积神经网络的序列推荐算法。通过多头注意力机制减少热门物品对推荐算法的影响。利用多头自注意力机制挖掘用户之间的依赖关系,判断用户的重要程度,使算法的推荐效果更好。同时将多层神经网络叠加充分利用用户和项目的交互信息,并加入丢弃层,避免出现过拟合现象,有效提高了算法的推荐效果。在对所提出的模型给出必要的理论分析基础上,本文使用MovieLens和Gowalla数据集进行实验验证。理论分析与实验结果均表明,本文所提算法与已有的相关算法相比较,有效地提高了推荐算法的准确性。