用户基础属性的预测主要是对用户的性别、年龄、职业、地理位置和文化程度等基本信息的分类。用户的基础属性的预测研究是机器学习领域的热门问题之一，也是大数据应用的研究热点。　　本文研究的主题是通过分析影评网站中用户对电影的打分行为数据预测出用户的基本属性信息。通过深度学习理论、矩阵分解技术和多任务学习方法多种理论方法解决用户属性分类问题，提出了基于深度神经网络的用户属性预测的单任务学习方法和多任务学习方法，本文主要包括以下几个方面的工作：　　基于矩阵分解技术，研究并提出一种对稀疏的用户打分数据进行填充的方法。将用户对电影的打分数据作为用户的属性特征，为克服输入数据的稀疏性问题，基于隐语义模型，对稀疏的输入数据进行填充。　　提出了一种基于矩阵分解的深度神经网络单任务模型。将填充后的用户行为数据作为网络的输入，结合深度学习技术和多标签学习，对用户行为打分数据进行特征提取，实现数据深层特征的学习。通过常用分类算法的对比分析，证明该算法的有效性。　　提出了一种基于深度神经网络的多任务学习方法。通过对用户属性的分析研究，发现用户不同属性之间的相关性，基于用户属性之间的相互联系，提出了一种同时对多个属性进行学习预测的多任务模型。在原有的基于深度学习的单任务学习方法的基础上，提出一种多任务学习模型，将样本标签表征为结构化数据，通过不同属性任务之间的模型参数共享实现对多个属性的同时预测。并对各种方法进行实验对比分析，证明了本文提出方法的有效性。