随着大数据与人工智能技术日益进步,各行业的信息数据呈现指数型增长。海量数据可以提供便利,同时也带来了“信息过载”、“信息碎片化”等突出问题。面对此类问题,目前的解决方法有搜索引擎和推荐系统两大类。优秀的推荐系统不仅可以为用户提供更精确快速的检索服务,还可以帮助商家更好地定位潜在目标用户。由此可见,对于推荐算法的深入研究是非常重要且具有实际意义的。近年来,深度学习在个性化推荐领域中被广泛应用,典型的模型有Deep Crossing、DIN、Deep FM、AFM等。与传统推荐模型相比,深度学习模型的表达能力更强,能够挖掘出更多数据中隐藏的特征。但基于深度学习的推荐模型大多存在一些不足,如（1）商品评论文本通常作为单一特征进行建模,没有用来表征用户历史行为特征;（2）用户在不同时段的评论对用户兴趣的变化有着重要的参考价值,当前没有考虑这两者的关系;（3）图像与文本特征的融合研究较少。针对上述问题,本文的主要工作如下:首先,提出“基于双层筛选机制的评论文本推荐模型”（Review Text Recommendation Model Based On Two-Layer Filtering Mechanism）—TFM。该模型在文本特征处理部分引入用户评论时间戳与自注意力机制,对于给定候选物品,通过研究用户历史行为与该物品的相关性,自适应地计算用户兴趣的表示向量。其次,提出“基于多模态特征融合的深度学习推荐模型”（Deep Learning Recommendation Model Based on Multimodal Feature Fusion）—MFM。该模型分为用户侧与物品侧。在用户侧提出采用Transformer对用户评论文本进行预训练,在一定程度上缓解特征信息丢失问题。在物品侧提出一种特征聚合模块,该模块将物品的描述文本以及图像特征引入到构建物品画像的过程中。最后,以Amazon商品数据集作为实验数据,通过设计与搭建在线商品推荐系统,对所提两种推荐算法进行在线验证。该系统综合考虑了用户冷启动与物品冷启动问题,并结合大数据组件完成线上部署和可视化展示效果。