随着信息技术日新月异,互联网、大数据和人工智能产业爆炸式增长,带动大数据处理和人工智能等相关技术的快速发展。近几年,深度学习技术在各领域应用不断深入,种类繁多的深度学习模型不断涌现并取得了卓越的成效。然而,深度学习模型并不具有普适性,同一深度学习模型在不同应用中成效往往大相径庭。因此,针对具体应用,如何选取性能最优的深度学习模型是一个亟需解决的问题。另一方面,由于应用领域的多样性和复杂性,缺乏标准的深度学习模型评价指标体系进行评价,无法实现深度学习模型推荐。针对这一现状,首先构建多指标深度学习模型评价体系,运用熵值法确定各评价指标权重,建立深度学习模型的多指标评价模型。其次,分析传统推荐算法的弊端,构建基于模糊聚类的混合协同过滤推荐模型。然后,进一步构建混合协同过滤的深度学习模型推荐模型,并将其应用于农业领域,针对番茄病害识别进行深度学习模型推荐,将所得推荐模型在PlantVillage数据集上进行验证。实验结果表明,推荐的最优深度学习模型性能最优。最后,设计和开发了面向农业的深度学习模型推荐系统。本文的主要工作和贡献如下:（1）深入研究推荐系统相关知识与平台开发相关技术,多角度分析深度学习模型的评价相关属性,重点研究了推荐系统相关知识,为深度学习模型评价模型、混合推荐算法的改进以及深度学习模型推荐系统的实现奠定理论基础。（2）针对深度学习模型评估指标体系难以确定问题,构建深度学习模型评价指标体系。运用熵值法确定各评价指标权重,建立深度学习模型的多指标评价模型（Multi-indexevaluation model,MEM）。利用KS算法设计实验,确定评价深度学习模型的阈值,获取优良深度学习模型集,实现对深度学习模型的初步筛选,为进一步的实现深度学习模型的最佳推荐奠定了基础。（3）提出一种基于模糊聚类的混合协同过滤推荐模型（Hybrid recommendation based on fuzzy clustering,F-HCF）,在传统混合推荐算法中融入奇异值分解和模糊聚类算法。实验表明,改进后的模型比传统的混合推荐模型在效能上具有明显的改善,可有效的解决传统协同过滤的冷启动和稀疏性问题,并提高需求推荐的质量。（4）提出了基于MEM＆F-HCF的深度学习模型推荐算法。利用用户的多种问题需求,对深度学习模型的应用功能进行特征提取,针对不同问题推荐出最优的深度学习模型解决方案。并将其应用到番茄病害识别中,将推荐的深度学习模型在PlantVillage数据集上进行验证。实验表明,该推荐算法可以有效的实现深度学习模型的推荐。最后,采用面向对象的软件工程方法,设计开发了面向农业的深度学习模型推荐系统。本文提出的深度学习模型推荐算法,实现了对深度学习模型的有效推荐。对后续深度学习模型评价以及性能参数优化起到指导作用,能更好的推进深度学习方法在农业领域的深入应用和推广。