随着互联网技术的发展,网络上的数据呈指数级增长。推荐系统从海量的数据中挖掘出有用信息向用户进行推荐,有效地缓解了信息过载问题,已经成为工业界和学术界的研究热点。对抗机器学习以对抗的方式对模型进行训练,通过博弈竞争可以提高模型推荐的性能。目前,对抗机器学习的研究内容主要包括基于对抗样本的模型鲁棒性研究和基于生成对抗网络的样本生成研究。本文主要围绕基于对抗机器学习的深度神经网络推荐方法进行研究,探索对抗机器学习技术如何提升跨领域推荐和序列推荐的性能,从而为用户提供更好的推荐服务。本文的主要研究内容为:（1）对于跨领域推荐,由于数据稀疏性和负迁移问题,跨领域推荐模型的鲁棒性较差,因此本文提出了一种基于对抗样本的跨领域推荐方法。该方法通过共享用户嵌入矩阵来进行领域间的知识迁移,并使用深度神经网络来提取用户与物品间的非线性交互特征,然后在用户和物品的嵌入表示中添加微小但有意设计的扰动来构造对抗样本,接着使用具有攻击性的对抗样本进行训练,从而提高模型的鲁棒性进而提高模型推荐的准确性。最后通过实验证实了本方法的有效性。（2）对于序列推荐,由于没有考虑负样本的动态性,限制了序列模型捕获用户动态偏好的能力,因此本文提出了一种基于生成对抗网络的自注意力序列推荐方法。该方法使用自注意力机制来挖掘用户历史序列中的动态偏好,并结合生成对抗网络,使用一个生成模型动态地生成高质量的负样本信息,提供给负责序列推荐的判别模型进行训练,进而提高模型推荐的准确性。最后通过实验证实了本方法的有效性。（3）本文实现了一个基于对抗机器学习的商品推荐系统,设计了基于上述两种方法的商品推荐引擎,为用户提供个性化推荐服务。