随着互联网快速发展,人们面临着信息过载的问题,过量的信息不仅会增加人们获取有效知识的难度,还可能会误导用户。为了解决这个问题,出现了个性化推荐,推荐系统能够给用户推荐合适的内容来满足用户的需求,比如在视频类、音乐类、电商类等网站给用户推荐视频、歌曲和商品。然而大多数基于神经网络的推荐模型聚焦于提高模型的整体性能,而忽略了模型的鲁棒性,特别是如果反馈数据被用户有意或无意的行为破坏,模型的准确度可能大幅下滑。另外当前主流的推荐算法存在数据稀疏和冷启动的问题,即用户或者条目的评分信息比较少,缺少历史行为的数据,限制了系统的性能。针对上述问题,本文研究了基于深度矩阵分解的抗扰动和跨域推荐算法研究,主要工作如下:（1）基于对抗训练的推荐系统鲁棒性研究,提出对抗深度矩阵分解（Adversarial Deep Matrix Factorization,ADMF）。针对在计算机视觉领域发现的对抗扰动会大幅降低以神经网络为基础的推荐模型性能的现象,本文将对抗训练应用到深度矩阵分解上,使模型既有神经网络强大的特征提取能力和表达性,又有足够的鲁棒性来面对不同的噪音影响。不同于常见的直接预测用户对不同条目评分来进行推荐列表的生成的方法,为了减小误差,采用pairwise（成对）的方法来生成推荐列表,避免预测评分带来的误差值。为了提高模型的鲁棒性,将对抗扰动添加到深度矩阵分解模型中隐藏层的参数上,而不是输入的数据中。在保证模型的推荐性能的同时,从更深的角度提高模型面对不同输入的鲁棒性。实验结果表明,在不同的数据集进行测试,提出的模型的性能至少提升了4%,而且模型的鲁棒性得到了提升。（2）基于深度矩阵分解的跨域推荐算法（Deep Matrix Factorization-Cross Domain Recommendation,DMF-CDR）。首先对当前跨域推荐的模型进行了研究,将跨域推荐的模型分成表征学习和跨域协同过滤两个阶段。在表征学习阶段,DMF-CDR利用深度矩阵分解的思路,不同于常用的基于自编码器的结构,使用多层感知机来对用户和条目的表征进行学习,这样经过深度网络进行学习后,得到的隐式特征具有更佳的表达能力。在跨域协同过滤阶段,DMF-CDR使用两个正交矩阵进行两个域间的知识迁移,最终的用户的评分信息由域内信息和跨域信息两个部分组成,实现更好的推荐性能,在跨域迁移过程中,可以通过超参数来控制知识迁移的强度,另外结合处理隐式反馈的方法,给每一个评分记录扩展出多个负样本进行训练,以更全面地训练模型。实验结果表明,DMF-CDR在推荐性能的表现上要优于最近的推荐方法,其准确度至少提高了3%。（3）基于协同过滤的电影推荐系统设计与实现。该系统具有查看电影、用户信息,相似电影推荐和个性化推荐电影等功能,能够与其他推荐网站相结合,可以方便用户与商家进行交互。该系统实现了两种协同过滤的方式（基于用户的方式和基于电影的方式）来进行电影推荐,以发掘更多的用户兴趣,并验证了推荐系统在实际应用中的可行性。