现如今Web服务的数量已呈指数增长,这导致因特网上出现了大量功能类似的Web服务,用户通常基于服务质量（Quality of Service,Qo S）从候选服务集合中选择最佳服务,而在实际中不太可能得到所有候选Web服务的Qo S值,因此Qo S预测问题便成了服务推荐领域的首要挑战。协同过滤（Collaborative Filtering,CF）已被广泛应用于Web服务Qo S预测领域,基于记忆的CF方法只能从用户和服务之间学习到低维线性关系,基于模型的CF方法无法捕获用户和服务之间的高维非线性关系。于是,深度学习被引入到Qo S预测研究领域,通过构建神经网络学习用户与服务之间的高维非线性关系。经研究发现,位置信息与Qo S值密切相关,将其融入到模型当中可以进一步提高预测的准确性。但现有的大多数方法仍存在很多不足,例如用户、服务以及位置信息之间的特征关系还需进一步挖掘,如何同时兼顾局部和全局特征的交互学习,更好地解决数据稀疏性问题以及进一步提高模型的预测精度。本文针对这些不足,利用深度学习技术并结合位置信息属性,提出了基于深度学习的位置感知Web服务质量预测方法研究,主要研究内容如下:（1）提出了结合局部和全局位置信息的深度协同过滤（Deep Collaborative filtering combining Local and Global location information,DCLG）模型,在模型的交互层中,我们将用户和服务的位置信息嵌入向量进行外积操作,并且使用了一层注意力机制后得到全局位置信息,接着通过多层感知器提取用户和服务的高维非线性关系,并结合点乘的操作补充学习用户和服务的低维线性关系。在真实数据集WS-Dream上进行大量实验,验证了DCLG模型的预测性能明显优于现有的六种Qo S预测方法。（2）提出了结合局部和全局特征的卷积协同过滤模型,该模型在DCLG模型的基础上通过引入卷积神经网络代替多层感知器,在捕获全局信息特征的同时也更好地关注了用户和服务的局部相邻特征。在公共数据集WS-Dream上的大量实验,验证了该模型具有较高的预测精度以及更好的收敛性。