互联网时代,用户从海量的网络服务中选择符合自己需求的服务,无异于大海捞针,而个性化的Web服务推荐技术和方法能够解决这一难题。然而,移动设备的激增导致具有相似或相同功能的服务越来越多,影响了用户体验。因此,用户更感兴趣的是服务的响应时间和可靠性。服务质量（Quality of Service,QoS）是一个衡量Web服务非功能性能的属性,是个性化服务推荐的一个重要标准。但是,现有的基于QoS预测的方法与技术依旧需要解决一些无法避免的问题,如稀疏的原始数据、噪声数据的影响、缺乏对用户和服务相关信息的考虑、QoS数据的潜在特征提取不充分、冷启动和模型过拟合等。鉴于目前研究仍存在的上述问题,本论文对Web服务的QoS预测方法进行研究,主要研究内容包括:（1）为了解决原始数据稀疏和噪声数据环境下的QoS预测精度,以及用户与服务之间潜在关联信息等问题,本文提出一种基于多重双层栈式降噪自编码器的QoS预测模型。首先,用户和服务的地理位置对QoS存在一定的影响,再简单地基于位置信息划分用户和服务后,改进了传统的Jaccard相似度计算方法,计算并获取与目标用户或服务处于同一位置区域的相似邻居,以此对原始稀疏的QoS矩阵进行预填充,缓解稀疏问题。根据每个服务与相似邻居被调用的频度,捕获用户调用服务的偏好信息,并与预填充的QoS矩阵相结合。对处理后的QoS数据,再通过多重双层栈式降噪自编码器模型进行多次加噪与重构,充分挖掘潜在的QoS数据特征,提高QoS预测准确度。（2）进一步考虑到冷启动和模型过拟合等问题,本文提出了一种基于改进条件变分自编码器的混合QoS预测模型。为了解决数据稀疏问题,预先填充稀疏的QoS向量的缺失值,选择了带有偏置项的奇异值分解方法。再利用双层栈式自编码器对预填充的QoS向量进行降维,以提取用户的潜在特征作为模型的外部条件。外部条件与预填充的QoS向量通过条件变分自编码器的训练学习,对缺失的QoS值进行重构。根据位置信息,选用皮尔森相关系数与独立样本T检验方法计算用户高信誉的相似邻居,结合重构的QoS矩阵进行预测,进一步提高QoS预测准确度。最后,在WSDream数据集上对所提出的两个预测模型进行了实验,结果表明,基于多重双层栈式降噪自编码器的QoS预测模型是有效的;基于改进条件变分自编码器的混合QoS预测模型在预测精度方面有提高。