近年来,随着位置信息社交网络飞速发展,信息过载问题也越来越严重。为了缓解信息过载所带来的的影响,位置服务推荐显得极为重要。现有的位置服务推荐方法主要通过深度神经网络来捕捉用户的偏好从而对其进行位置服务推荐,因此需要依赖大量的数据来训练模型,但与传统推荐相比,位置服务推荐存在着更为严重的数据稀疏和冷启动问题,这就制约了现有方法在真实场景下的性能。在不同的数据域中用户有着各种丰富的历史交互信息,这就为位置服务推荐提供了更多可用的知识,所以如何综合利用跨域信息实现精准的位置服务推荐是亟需解决的科学问题。针对这个问题,我们基于迁移学习技术设计了面向跨领域位置服务推荐的深度神经网络,并且从单用户以及组群用户这俩个层面分别进行了跨领域位置服务推荐研究。针对面向单用户的跨领域位置服务推荐,本文提出了一种基于迁移学习的深度神经网络模型。该模型首先在源域以及目标域中通过迁移学习来获得用户对位置服务的基础属性偏好,其次我们再建模用户的时空偏好,然后整合用户的基础属性偏好以及时空偏好来对其进行跨领域位置服务推荐。此外,针对面向组群用户的跨领域位置服务推荐,我们先使用注意力机制来学习群组内不同成员在推荐位置服务时的影响权重,再根据权重将组内各成员的偏好融合形成群组的特定偏好,最后根据群组偏好为其推荐合适的位置服务。我们还通过迁移学习获取该群组在其他领域的交互信息来缓解位置服务推荐时的数据稀疏问题,从而提高推荐效果。本文在三个真实的数据集上将我们提出的模型与目前主流的模型进行比较,实验结果表明,针对三个常用的推荐性能评价指标,我们所提出的模型与其他基线模型相比结果更好。