随着大数据时代的到来,“信息过载”已成为亟需解决的问题。面对庞杂的数据,用户找到自己感兴趣的信息需要花费大量的时间,个性化推荐技术应运而生。根据目标用户的需求,推荐技术能够对信息进行有效的过滤和筛选,缓解了“信息过载”的问题,并逐渐成为日常生活中不可或缺的一部分。协同过滤算法是个性化推荐中最常用最有效的算法,但传统的协同过滤算法存在数据稀疏、冷启动、可扩展性差等问题。首先,针对传统的图像特征提取算法提取图像特征困难的问题,本文利用深度学习中卷积神经网络在图像特征提取的优势,使用Vgg16卷积神经网络来提取到项目图像的特征,并利用提取到的特征来计算项目图像的相似性。其次,为了解决协同过滤算法中数据稀疏的问题,考虑利用Slope One填充算法进行数据缺失值填充,但传统的Slope One数据填充算法没有考虑项目本身特性的问题,提出一种新的加权Slope One数据填充算法,将项目图像相似度引入到加权Slope One算法公式中,得到新的评分预测公式,利用新的计算公式进行数据填充,有效的提升的填充数据的可靠性。在填充的基础上,使用基于项目的协同过滤算法,提升推荐质量。第三,为了解决协同过滤算法中利用项目评分得到的项目相似度偏差问题,提出一种改进的项目相似度算法。由于协同过滤算法没有考虑项目本身属性的问题,提出将项目图像的相似性与传统的基于项目评分的项目相似性进行线性组合,得到一种新的项目相似度计算方式,这种相似度计算方式很好的弥补了由于评分数据稀疏带来的相似度计算误差,有效地提升了推荐的准确性。将本文提出的多种改进推荐算法与传统的推荐算法在MovieLens电影数据集上进行对比实验,通过对比结果可以看出,本文提出的改进算法在预测评分的准确度均高于传统的算法,有效的提升了预测的精准度,提高了推荐的质量。本文提出的改进算法对电影的推荐准确度有一定的提升效果,可以帮助用户更有效地找到自己感兴趣的电影。进一步,考虑不同应用场景的图像,训练用于提取相应场景图像的卷积神经网络,以提高图像相似度计算的准确性。