近年来,随着“大众创新,万众创业”口号的提出和经济社会的发展,创业项目的数量与日剧增,线下途径逐渐难以满足人们快速获取创业项目信息的需求。因此,许多线上的创业项目信息平台被建立了起来,以期能够提高创业项目信息的获取效率,典型的有IT桔子、创业邦、AngelList等。但是随着创业项目信息平台规模的不断扩大,用户越来越难以完整浏览所有的创业项目并快速发现自己感兴趣的项目,给用户造成了严重的信息过载问题。在现实中通常使用推荐系统缓解信息过载的问题,它能让用户在较短的时间内从海量的信息中获取自己所需信息,降低信息过载的影响,从而提高信息平台的用户体验。基于以上的背景,本文对创业项目推荐系统展开了研究。本文首先对当前主流的推荐技术和应用做深入的分析和研究,归纳了它们适用的领域和优缺点。然后,对创业项目推荐系统的研究现状和特征进行了分析与总结,阐明了在创业项目信息平台中应用个性化推荐的可行性和必要性。在此基础上,结合当前的深度学习技术提出了两种基于深度神经网络的创业项目推荐算法:(1)基于深度神经网络和矩阵分解的创业项目推荐算法。该算法从创业项目的特征信息出发,结合卷积神经网络、词嵌入和one-hot编码技术等构建了一个深度神经网络用于提取创业项目的隐含特征,然后采用概率矩阵分解算法从评分矩阵中提取用户的隐含特征,最后根据用户和创业项目的隐含特征为用户生成推荐(2)基于多模型的创业项目推荐算法。该算法建立两个深度神经网络分别用于提取用户和创业项目的隐含特征,其中创业项目的隐含特征提取与算法(1)相同。对于用户的隐含特征提取,利用受限波尔茨曼机(RBM)对用户评分数据建模,采用卷积神经网络、词向量技术和one-hot编码技术等对其他特征建模。该算法进一步的解决了用户的冷启动问题,并且提高了推荐结果的精度。本文首先对上述两种算法的推荐流程、推荐原理和推荐结果的生成方法进行详细介绍。然后根据算法的原理进行程序实现,并运用从互联网上采集到的创业项目数据集进行离线实验。并将实验结果分别与PMF、ConvMF等算法进行对比分析,实验结果表明本文提出的两种算法要优于其他算法,能够较好的完成创业项目推荐的任务,并且有效的解决了用户和项目的冷启动问题。