伴随着信息科技的快速发展,人类已经进入大数据时代。面对巨大的网络资源,人们有了更多更好的选择,但后来发现无法从中快速准确地找到符合需求的信息和服务。推荐系统因此应运而生,个性化音乐推荐作为其重要的应用领域,借助于成熟的技术主动为用户提供个性化需求的音乐产品。传统推荐算法直接应用在音乐推荐系统中无法满足人们日益丰富和个性化的需求,而且在整个音乐推荐过程中,它们也突显出越来越多的问题:一是传统推荐算法在音乐推荐过程中存在物品冷启动和反复利用相同的用户历史行为数据,使推荐的结果具有较大的相似性,以及不能有效解决特征构建等问题。它们只是简单地收集有关音乐属性的文本描述元数据,忽视了音乐的音频信号潜在特性。二是当前应用在音乐推荐系统上的算法由于依赖于用户历史行为数据,适合短期的音乐推荐,而忽略了用户长期习惯,不能做长期决策。由于数字化音乐容易受到流行度、用户情感以及兴趣动态变化等影响,因此需要利用强化学习的动态交互学习的优点进行解决。针对上述问题,本文的主要工作如下:（1）针对协同过滤等传统推荐算法不能提取音乐音频深层次的特征,以及无法使用音乐本身特性的问题,提出了一种基于深度卷积神经网络的音乐推荐算法,并引入能够反映音乐特性的音频谱图和音乐类别描述元数据等来构建其特征。该算法对原始音频数据进行预处理,再构建基于Log梅尔频谱图特征集,即为了保留音频更多有效的潜在特征,将处理好的音频数据进行快速傅里叶变换和梅尔滤波器处理,最后对结果取对数运算,以此作为本算法模型的输入,在推荐时利用基于内容的推荐原理计算用户的偏好,并为其推荐喜欢的音乐,并在不同数据集上进行对比实验,实验表明该算法模型的性能表现最好。（2）针对上述提到的音乐推荐算法无法做长期决策,且不能有效地挖掘用户潜在偏好的问题,提出了一种基于深度强化学习的音乐推荐算法。利用深度强化学习对音乐推荐过程进行模拟,利用词向量技术预训练生成的向作为输入。引入经验回放机制,将用户交互生成的经验轨迹暂存在经验池中,进行有监督训练,使用交互式试错机制进行学习用户对音乐动态变化的兴趣,并在其探索策略下对短期收益和长期收益进行有效的模拟,从而能够为用户主动挖掘其感兴趣或有潜在偏好的音乐,且能更多关注长尾信息,达到多样性推荐。通过与多个算法进行比较,实验表明其在推荐准确性等表现更出色。