在互联网快速发展环境下,信息过载、用户需求不明确等现象越来越严重。推荐系统是大数据环境下的重要系统工具,用来使信息分发,准确及时高效。协同过滤推荐算法由于其简便高效性,被广泛应用于各种场景之中,但是随着用户和物品的数量增多,用户和物品的交互数据越来越稀疏,再加上受冷启动的影响,协同过滤推荐算法的性能逐步下降。随着深度神经网络技术的发展,深度学习展现出对异构数据优秀的表征能力,将深度学习应用于推荐算法成为如今的研究热点之一。针对协同过滤算法中评分数据稀疏性及冷启动现象,分析深度学习应用于推荐算法的研究现状,探讨如何更好的利用深度学习的优势来弥补推荐算法中存在的缺陷。从不同的角度提出了两种基于深度学习的混合推荐模型。主要的研究工作如下所示:1.提出一种基于深度学习的混合推荐模型HRS-DC。从辅助信息的角度入手,利用深度神经网络提取用户和项目的属性信息中的深层特征;利用添加注意力机制的卷积神经网络挖掘项目文本信息中的文本特征。将项目特征与用户特征输入神经协同过滤模型,拟合用户与项目之间的非线性关系,预测评分。2.提出一种基于改进对抗自编码器的协同过滤推荐模型cycle-CFAAE。从深度协同过滤的角度入手,对自编码器进行优化,提出“编码-解码-编码”结构,重构用户和项目的潜在特征,增强模型的抗干扰性;判别网络和生成网络就评分向量进行博弈训练,提高用户和项目潜在向量的表征能力;再通过神经协同过滤进行Top-N推荐。3.在MovieLens、AIV、Netflix数据集中验证上述两种模型,从多方面与经典以及最新模型进行对比,提高了评分预测的准确性,能够有效缓解数据稀疏性及冷启动现象,增强了Top-N推荐的性能。