随着互联网技术的快速发展,在给用户带来诸多方便、满足用户需求的同时,也伴随着带来了信息过载问题。如何从庞大的信息中快速找到感兴趣的信息变得及其重要,个性化推荐也因此变得比较热门,电商平台通常利用用户平时购买商品的记录、门户网站通常根据用户浏览新闻的类别、娱乐行业通过分析用户观看电影的类型等历史行为数据来挖掘用户的兴趣,并对其进行推荐相关的信息。通常根据用户维度、物品维度、或者深度学习的模型对推荐算法进行划分。尽管传统的协同过滤推荐算法已经在广泛的使用,但是该算法仍然存在推荐精度不高、新物品的冷启动问题等。本文旨在利用深度学习模型改善推荐算法的精确度。本文主要的工作:介绍传统推荐算法(基于用户的UserCF推荐算法、基于物品的ItemCF推荐算法、基于矩阵分解的FunkSVD推荐算法)的原理,并基于1M的movielens数据集对上述算法进行实验。通过实验分析得知UserCF推荐算法和ItemCF推荐算法二者推荐的精确率和覆盖率较低,同时FunkSVD算法预测的结果和实际情况偏差较大。近些年随着深度学习的火热兴起,采用深度学习模型和协同过滤算法结合也变的越来越热门。为了解决上述问题,本文首先介绍了如何将受限玻尔兹曼机模型和推荐算法结合,并提出了一种提取数据特征的方法——设定阈值提取数据特征,再此基础上本文通过将RBM推荐算法和ItemCF推荐算法加权融合,介绍了一种改进的K-Item RBM推荐算法。最后通过提取的特征对算法模型训练并预测,通过实验对比分析得出,K-Item RBM算法可以降低预测数据和真实数据的误差、改善推荐系统的性能;此外为了提高推荐的精确率,本文介绍一种改进的CNN-CF神经网络推荐算法,该算法采用卷积神经网络(CNN)提取数据集中的文本特征,然后对算法模型进行训练,最后对用户做出个性化推荐。通过实验对比分析,该算法推荐的精确率和覆盖率有显著的提升。在最后本文通过对娱乐行业中电影推荐网站的细微分析和需求调研,在理清需求和核心推荐算法的基础上对电影推荐应用做了整体框架设计、数据库设计,实现了一个基于深度学习的推荐算法应用。