随着网络科技的蓬勃发展,Web服务的数量和种类迅速增加,不仅增加了组织管理服务的负担,也为用户从大量同质化的服务挑选合适服务带来了困难。一方面自动对具有相似功能的服务进行分类的技术不仅可以在大型的服务存储库中有效促进服务管理,也能为服务推荐和服务发现提供支撑;另一方面,服务推荐技术也成为快速精准为用户推荐满足需求服务的关键。现有的服务分类研究已经证明挖掘服务特征并捕获各种服务语义来提高服务分类性能是有效的,然而,这些服务分类研究集中在学习孤立的服务特征,却忽视了各服务特征之间的潜在语义关联。与此同时,服务推荐研究为缓解用户与服务历史调用矩阵的稀疏问题,注重于挖掘更多的用户与服务特征,并利用因子分解机等技术提高服务推荐性能,然而并不是所有的用户与服务特征对服务推荐都是有效的,过多的特征反而会带来更多的噪声从而影响推荐质量。为了解决上述服务管理问题和服务推荐存在的缺陷,本文首先提出了一种基于共生注意力神经网络的服务分类方法,通过利用共生注意力机制学习不同服务特征之间的相互依赖,有效的对服务进行分类预测,并为进一步的服务研究提供支撑;其次,本研究提出了基于残差网络和注意力机制的服务推荐方法,该方法改进残差网络用于提取用户与服务特征,并利用注意力机制区分不同特征重要性,以提高服务推荐的性能。本文的主要工作包括:（1）分析了服务分类和服务推荐技术的国内外研究现状,结合相关理论和技术,研究了现有服务分类方法的不足和服务推荐方法的瓶颈。（2）使用信息增益技术从服务描述文档中提取服务信息有效词,将其与服务名称合并为服务的扩展数据,利用共生注意力机制学习服务扩展数据特征与服务描述特征之间的潜在语义关联,用于服务类别预测和为进一步服务研究提供支撑。（3）改进残差网络用于有效提取Mashup与Web服务交互特征矩阵,利用注意力机制区分不同服务特征的重要性,降低无用特征的噪声影响。（4）在真实数据集上对本文提出的方法以及对比方法进行大量的实验,证明本文所提出方法的有效性。（5）设计并实现了软件服务推荐原型系统。该系统实现经典的服务分类算法与服务推荐算法、本文提出的基于共生注意力神经网络的服务分类模型以及基于残差网络与注意力机制的服务推荐模型。