传统协同过滤算法无论在特征提取还是相似度计算方面仍存在数据稀疏和大量噪声数据等难题,从而使得推荐效率不高且用户满意度低。深度学习技术可以有效解决传统推荐算法存在的诸多问题,将深度学习技术应用到推荐领域已经成为当下研究的热门课题之一。针对传统协同过滤算法存在的特征提取复杂和数据维度高且稀疏等问题进行研究,对深度学习中的自编码器神经网络进行优化,主要使用MovieLens公开电影影评数据集作为推荐系统的输入,最终输出用户感兴趣的电影推荐列表。主要工作为:（1）针对传统协同过滤算法存在的数据稀疏和噪声数据等问题,提出融合深度去噪自编码器和注意力机制的推荐算法。首先,改进传统自编码器的网络结构,进一步提升传统自编码器的泛化能力和鲁棒性;其次,将用户项目评分矩阵输入到改进的深度去噪自编码器网络中,学习数据的非线性隐含特征;然后,将非线性隐含特征融入到基于项目相似度的协同过滤推荐算法中,挖掘数据的线性隐含特征;最后,加入神经注意力机制,用于体现不同交互历史间的区别,以惩罚活跃用户带来的影响。（2）针对传统神经网络协同过滤模型无法提取数据的隐含特征和特征数据维度高且稀疏等问题,提出基于混合深度自编码器的神经协同过滤算法。首先,增加传统自编码器网络的深度,并使用新的激活函数,提出混合深度自编码器模型,用于生成用户和项目的深层特征向量;其次,基于显式反馈提出改进的神经网络协同过滤模型,用于提取生成的用户和项目深层特征,该模型融合用户与项目的线性特征和非线性特征,进一步增强传统神经网络协同过滤模型提取特征的能力。将所提两种算法与几种较为先进的算法进行实验对比,对算法的综合性能和影响实验结果的参数进行分析。实验结果表明,所提两种算法均具有先进性和有效性。将所提两种算法应用到电影推荐领域,既可以为服务提供者带来更多经济收益,又可以给消费者带来更好的用户体验。