如同信息检索系统,推荐系统也是为了解决互联网时代海量数据带来的挑战、为用户带来更好的满意度而发展成的一门交叉研究领域。推荐系统的研究一般包括系统的研究和算法的研究,但是核心研究内容仍为算法研究。推荐系统算法研究常常借鉴与机器学习、人工智能领域的方法,不仅得到了快速发展,同时对其他学科也有很大推动作用。本文对目前的推荐系统算法进行研究,研究并分析目前推荐系统的研究现状,同时研究机器学习领域新型的算法,对深度网络学习算法进行深入学习和研究,意在将机器学习领域最近几年最新的算法——深度网络学习算法应用到推荐系统中,以达到改进目前推荐系统算法的目的,使得推荐效果更加智能化和人性化。为了达到这个目的,本文从多方面入手,做了众多工作：1)从推荐算法的基本研究方法入手,研究分析了基于内容的推荐系统和基于协同过滤的推荐系统,包括基于相似度的最近邻方法、朴素贝叶斯方法、潜在因素的矩阵分解方法,并分析了这些推荐系统算法的优缺点。2)本文研究了一个典型的深度网络模型——多层受限波兹曼机组成的深度置信网络(DBN),不仅利用数学方法对其结构做了非常详细的分析,而且从统计热力学的观点阐述了作为一个自由系统的受限波兹曼机和DBN的物理意义。3)本文阐述了两层受限波兹曼机在推荐系统中是如何工作的,受到深度模型在其他领域的应用得到启发,将深度网络与传统协同过滤的方法相结合,建立了一个新的深度混合模型用与推荐系统算法,同时采用有限步吉布斯采样的最小化散度差(Contrastive Divergence)算法对深度模型的似然函数求解,使得训练一个深度网络系统变得可行,并推导似然函数的存在下界,证明多层结构算法的理论有效性。4)文章通过在多个标准数据集上,利用传统的方法和自己建立的最新的方法进行一系列实验,通过实验证明了深度网络学习方法在特征提取上具有不错的能力,将其用在推荐算法上比传统的协同过滤方法有更好的抗噪性和有效性。