随着互联网的发展,网络数字音乐相比传统实体音乐有了更大更快的发展,面对不断增大的海量音乐数据库,依靠传统的搜索方式来寻找自己感兴趣的音乐已经越来越不能满足用户的需求。面对这种情况,推荐系统便逐渐被引入到数字音乐领域,依托推荐系统的推荐能力,用户不需要主动搜索便能够得到自己想听的音乐。但是随着用户需求的不断提高,将传统推荐方式直接套用到数字音乐的方式已经不能满足人们的需求,在这个过程中也产生了一系列的问题亟待解决。比如面对新加入的音乐集,由于缺少有效的音乐信息,而导致无法得到有效推荐的冷启动问题,再比如在推荐结果中,用户得到的推荐集多数集中在相同的音乐类型上,使得难以挖掘用户的兴趣。针对以上的问题,本文提出了基于深度学习的个性化音乐推荐方法。首先,本文以音乐底层特征集为训练集,结合深度置信网络设计了音乐信息预测模型,在对不同维度音乐类型分类方法研究的基础上,选取了4类对音乐不同信息表述较好的底层特征,对每一首音乐构成40维特征向量,进而构建音乐特征集,然后利用在音频领域表现较好的深度置信网络作为音乐信息预测模型,对其结构、参数重新设计,完成了对音乐的多维度信息预测,一定程度上解决冷启动问题;其次在Apriori算法的基础上对其改进,完成了整体推荐方法的设计工作,对推荐候选集进行信息挖掘,在音乐库中查找与其关联性大的音乐加入到推荐候选集中,这样的音乐虽然与用户兴趣匹配,但是却有着强关联性,在考虑推荐准确度的基础上提高推荐结果的多样性,以此来发现用户的新兴趣,同时改进的Apriori算法在效率及精度上有了较大的提高。实验表明本文的方法能够较好的完成音乐推荐工作。