互联网技术和信息技术为社会发展及百姓生活注入的新活力,也促使社交网络、网络娱乐、搜索引擎及电子商务等快速发展,带来了“信息过载”的问题。以推荐系统为代表的信息过滤技术可以满足人们的信息获取需求,所以研究如何构建一个好的推荐系统,是很有意义的。近年来,作为机器学习领域中一个新的研究方向,对于深度学习技术的研究获得了很多突破,其在搜索技术、人机对弈、数据挖掘、机器翻译、自然语言处理、计算机视觉等多方面都有很多应用。同时,学者们也开始结合深度学习模型来研究个性化推荐领域,并取得了众多的研究成果和经验。深度推荐算法与基于用户或项目的协同过滤算法、基于内容的推荐等传统推荐算法比较,具有更佳的推荐性能和更强大的场景适用性。本论文首先回顾了对于传统推荐算法的改进研究现状,以及在电影个性化推荐中结合深度学习技术的研究成果,并深入研究了自编码神经网络、深度因子分解机等几种典型的深度学习模型,分析了不同深度学习模型的原理及其融入个性化推荐系统的建模思路。本论文还使用Movielens这一经典数据集,对基于深度学习算法的电影个性化推荐展开研究,采用协同过滤降噪自编码器CDAE、深度因子分解机Deep FM两种基于深度学习的推荐模型,构建不同的深度推荐模型对用户历史交互电影数据进行分析,得到电影推荐结果。从实验结果来看,深度学习模型的推荐效果比经典协同过滤算法均有一定的提高。最后基于目前的研究成果和本文深度推荐模型的实验结果,尝试分析如何利用深度学习技术来设计一个好的电影推荐系统,并将不同深度推荐模型的推荐效果与经典协同过滤推荐系统算法进行比较,分析总结不同的模型在电影推荐应用中的适用性和不足,给出深度学习技术在电影个性化推荐研究中的相关建议。