随着电影数量的激增和用户需求的提高,个性化电影推荐系统变得越来越重要。然而当前的电影推荐系统往往未能考虑用户兴趣漂移和用户更多相关信息对推荐结果产生的影响,因此,推荐结果存在一定的局限性。为了解决以上问题,本文提出了一种基于深度学习的深度门控协作过滤模型（Deep Gate Collaborative Filtering,DGCF）。同时为了应对数据样本不足的场景,本文对传统推荐算法进行研究。最后结合改进的基于标签的推荐算法和DGCF模型共同搭建了一套个性化电影推荐系统。主要工作内容和研究成果如下:（1）针对数据样本不足的推荐场景,本文对传统推荐算法中的基于物品的协同过滤算法（Item CF）和基于标签的推荐算法（Simple Tag Based）进行研究。首先,针对两种算法的热门偏好问题进行改进,通过在相似度计算公式中加入惩罚因子来缓解算法的热门偏好问题。实验表明,改进后的算法能够有效缓解热门偏好问题,提升算法的推荐效果。其次,通过对比两种算法发现Simple Tag Based算法性能受数据样本影响更小,更适合数据量不足的推荐场景。（2）神经矩阵分解模型（NeuMF）在样本充足的情况下有不错的推荐效果,但仍存在无法捕获动态偏好且无法引入更多特征用作扩充的限制。针对这一问题,本文在Neu MF模型的基础上进行扩展,提出了DGCF模型。首先,模型使用用户的地理信息、性别信息和年龄信息为进一步的特征工程做了基础性准备;其次,引入上下文感知门控递归单元（CGRU）来捕获用户的动态偏好,并通过对用户项目的潜在向量和用户行为序列的特征进行拼接来进一步提升模型对动态偏好的敏感度;最后,通过DRMF层对用户的动静态偏好进行整合。在Brightkite、Foursquare和Yelp三个数据集上的实验表明,DGCF模型相比Neu MF模型命中率（HR）分别提升了4.68%、8.57%、3.91%,归一化折损累计增益（NDCG）分别提升了2.39%、5.2%、4.86%。同时DGCF模型的迭代速度和稳定性方面也均优于其他对比算法。（3）基于本文提出的推荐算法对个性化电影推荐系统进行搭建。改进的Simple Tag Based算法用于数据不足的推荐场景中,DGCF用于数据样本丰富的场景下进行推荐。测试表明,系统可以稳定运行,且能够为用户做出合理的推荐。