现如今,随着大数据时代的到来,信息量呈现出指数级爆炸性增长的趋势,与此同时,用户的个性化需求也越来越多,面对海量的数据,如何帮助用户迅速精准地获取所需要的信息,是当前面临的主要挑战。因此,推荐系统受到了越来越广泛的关注和重视,同时也逐渐变成了数据服务公司乃至整个互联网行业的核心技术研究模块。目前,推荐系统已经得到广泛应用,而且取得了一定的效果,但在应用中仍存在一些问题和不足,如系统数据量过少导致的冷启动、数据稀疏性等问题亟待研究和解决,所以更好地研究和发展推荐系统技术具有重要意义。近些年来,基于人工神经网络的深度学习方法取得了重大的突破,相比传统的机器学习方法,深度学习在计算机图像与视频、自然语言处理这些领域都得到了应用并取得了更好的效果。因此,人们尝试将深度学习的方法应用于推荐系统领域,进行相关的研究,并取得了一些成果。相比于传统推荐算法,深度学习方法在对目标特征的提取中具有更强的表现能力,对噪声数据具有更好的抗噪能力,并且通过神经网络的建模可以更加精确的学习目标特征,取得更好的效果,有着更加广泛的适用场景。结合当前研究已有基础和发展方向,本文分别研究了推荐算法和深度学习方法,并在传统的推荐方法中引入深度学习技术,将其应用在不同推荐领域验证其合理和有效性。本文首先研究了近几十年来国内外推荐系统的发展历程以及深度学习技术在推荐系统中的应用情况,对常用的推荐系统基础算法以及深度神经网络基础展开研究。其次,针对现阶段较为普及的传统推荐算法设计实验,引入多种评测指标进行评估,结果反映出传统推荐算法存在推荐精度不高,对特征的表征能力有限,且适用场景单一等问题。结合深度学习在特征提取和大规模数据分析方面的优势,本文提出一种基于文本卷积神经网络的特征聚合推荐模型,之后根据数据集特点以及训练效果对模型进行配置与优化。最后通过不同的数据集,将特征聚合推荐模型应用于多种推荐场景,对实验结果进行展示和综合分析,验证了本文提出的特征聚合推荐模型较传统推荐算法在精度和特征利用等方面具有显著优势。