近年来,随着互联网技术的进步,面向开源社区的开源软件开发方法凭借低成本、高质量的开发特性得到了快速发展。然而,随着软件需求和项目的大量涌入,巨大的竞争压力使得开源项目难以快速吸引足够多的开发者共同促进软件项目发展。因此,需要构造合适的方法建立开发者与项目之间的关联从而促进软件项目的开发与完善。目前,许多研究者从开发者推荐的角度解决项目和开发者之间的关联问题。然而现有的开发者推荐方法依然存在一些问题:（1）针对具体的开发任务推荐开发者的方法更多关注于高水平且最能完成任务的开发者,未从多个不同维度对开发者进行评估,且未考虑软件项目需要多个不同的开发者合作完成;（2）现有对开发者进行多维度评估的方法多数关注开发者的综合评分,从而为整个社区推荐核心开发者。这种方法具有较高的主观性,且无法为不同的软件项目推荐不同的开发者;（3）现有的基于项目和开发者特征的推荐方法多数需要利用专家知识抽取特征,这些方法往往难以抽取到更复杂的特征表示,因而降低了开发者推荐的准确性。针对以上问题,本文提出了基于深度学习和混合聚类的开源社区开发者推荐方法。具体而言,本文主要工作和创新体现在以下几个方面:（1）为了从多个角度对开发者进行分析,本文提出了基于活跃度、影响力、贡献度和开发偏好四个维度的多指标开发者建模方法。（2）为了给软件项目推荐多个类别的开发者,本文首先提出了基于混合聚类的开发者聚类算法,对参与项目的开发者进行类别标注。然后,根据项目文档信息和开发者的参与情况,提出了基于卷积神经网络的开发者类别预测算法来预测参与项目的开发者的类别。（3）为了从原始数据中抽取复杂特征以进行精确的开发者推荐,本文提出了基于开发者贡献关系网络和特征增强神经网络的开发者推荐方法。其中开发者贡献关系网络用于计算开发者的受影响度。而特征增强神经网络通过在项目文本特征基础上加入开发者特征和开发者的受影响度来综合预测开发者参与项目的可能性。最后,根据预测结果结合开发者类别为软件项目推荐多类别的具体开发者。（4）为了验证本文提出的方法的有效性,本研究爬取收集了Github上的开发者和项目信息构建了本文实验的数据集,通过一系列实验将本文提出的推荐方法和现有推荐算法进行对比分析。实验结果证明了本文所提方法相比其他方法具有更优越的推荐能力。