推荐系统能够有效的解决信息过载的问题。由于数据集的稀疏性问题,传统的推荐算法采用线性映射的方式往往限制了算法的表达能力。近年来,深度学习通过引入非线性变换成功推动了图像处理等领域研究的进展,与此同时,在推荐系统领域通过引入深度学习也取得了一定的研究成果。本文针对数据稀疏性导致的推荐算法的精准度不高的问题,提出了两种基于深度自编码器神经网络的个性化推荐模型:1)融合用户以及项目特征的双卷积自编码器神经网络的推荐模型。该模型结合卷积神经网络和深度自编码器网络,通过利用视频原始的评分矩阵,能够同时挖掘用户和项目深层隐含特征,有效的提取用户和项目间的关联性特征。提出的双卷积自编码器神经网络采用一维序列的方式分别挖掘用户和项目的评分序列,能够有效的避免传统自编码器网络中全连接的计算复杂度高以及无用连接带来的干扰性问题,并且能够深层挖掘用户与用户间以及项目与项目间的隐含相关性,有效预测用户对未知项目的评分。2)融合用户低阶和高阶特征的深度自编码器推荐模型。考虑到传统自编码器全连接思想的缺点以及结合推荐算法的固有特性,提出带有分簇策略的深度自编码器模型。该模型将不同用户簇作为独立域,采用协同自编码器网络提取域内用户的低阶隐含特征。同时将针对域内与域间用户采用深度因式分解机网络提取高阶两两交互隐含特征。最终根据建立的模型迭代训练预测出用户对未知项目的评分而进行推荐。最后,本文针对多个公开的数据集,采用均方根误差和平均绝对误差评价指标对本文模型性能进行验证,并将上述模型与多种经典和当前先进的推荐算法进行性能对比。大量实验结果表明,第一种模型不仅提高了推荐算法的精准度,还提高了推荐结果的稳定性和对真实数据集的普适性。模型在绝大多数的基准算法中具有精准度和对超参数不敏感的优势,只是相对于极少数经典算法的精准度有所欠缺。因此,为进一步提升推荐算法的精准度,本文又提出了第二种推荐算法模型并极大的提高了算法的精准度。对比两种算法可以发现,融合用户低阶和高阶特征的深度自编码器推荐模型的预测精准度要优于双卷积自编码器模型。然而,后者对于数据集的普适性和推荐结果的稳定性要优于前者。