在人工智能蓬勃发展的大潮中,群组推荐在各个领域都做出极大的贡献,成为推荐领域的持续性研究热点问题。群组推荐和个性化推荐存在明显差异,在推荐受众上群组推荐以小组为受众,符合当前人们群体性活动逐步增多的现状。如何更好地解决群组成员之间的偏好冲突,形成更准确更多样性的群组偏好,成为群组推荐的主要任务,因此不断成熟的深度学习技术也为群组推荐的研究带来了新的活力。本文在对群组推荐方法进行了深入研究与分析的基础上,围绕当前群组推荐中出现的性能问题、辅助信息利用率问题、用户倾向时迁性问题和交互偏好问题,结合深度学习技术特点,从群组发现和偏好融合两方面,展开对群组推荐方法的研究,给出一种基于深度学习技术的群组推荐模型,实现了群组推荐结果的优化和性能的提升,并通过实验验证了模型的有效性。具体工作如下:（1）针对群组发现中由群组用户兴趣倾向时迁性引发的群组成员内在相似度低问题,给出了一种基于长短时记忆网络的群组发现方法。该方法结合群组发现方法中隐层次信息获取与应用,通过长短时记忆网络对隐层次信息进行挖掘,融合用户的显式倾向、用户的隐式倾向、项目的隐式关系等信息,定义了用户的偏好总体倾向计算方法,并根据计算所得的用户倾向生成高相似度用户集合,实现隐层次信息的有效利用和高质量群组发现,并通过实验验证了该方法的有效性。（2）针对偏好融合中由用户交互行为引发的偏好倾向变化而导致的偏好融合结果不准确问题,给出了一种基于卷积神经网络的偏好融合方法。该方法利用用户历史行为数据构建出的用户交互模型,通过卷积神经网络对得到的交互权重矩阵进行特征提取,得到有效的用户交互影响权重,并根据该权重对用户评分矩阵进行加权,在评分推荐的基础上结合推荐融合的偏好融合方法,实现了偏好融合的优化,并通过实验验证了该方法的有效性。（3）结合给出的基于长短时记忆网络的群组发现方法和基于卷积神经网络的偏好融合方法,构建了基于深度学习的群组推荐模型。该模型利用两种不同深度学习技术在群组推荐上进行分步融合应用,既实现了对群组用户隐式关系的探究,又根据不同成员交互影响程度计算群组偏好,解决了群组推荐过程中由群组成员内向相似度低和偏好融合不重分而引起的推荐效果差问题,达到了提高推荐精度和优化推荐性能的目的。