随着网络用户的急剧增加,人们的生活方式、信息传播方式已经完全改变,人们面临信息过载问题,个性化推荐是解决该问题的有效方法之一。个性化推荐系统的核心是推荐算法,目前常用的协同过滤推荐算法虽然具有其的自身优势,但仍然存在着一些问题,如数据稀疏性问题和冷启动问题等,由此导致了推荐算法的性能、准确度等问题。因此,本文针对传统协同过滤推荐算法存在的问题从多个角度对算法进行改进,具体的改进方法归纳为以下几点:（1）项目隐特征的提取。为更好的分析项目之间的关联关系,将用户-项目评分矩阵作为CBOW词向量模型的训练语料,通过词向量模型训练得到词向量矩阵,并利用降噪自编码网络DAE对项目进行隐特征提取,得到基于项目关联性的隐特征矩阵。（2）用户隐特征的提取。为更精确的提取用户的隐特征,根据用户个人偏好形成用户偏好矩阵,并利用降噪自编码网络DAE对用户进行隐特征提取,得到用户基于个人偏好的隐特征矩阵。根据项目隐特征和用户隐特征构建基于降噪自编码的词向量和个人偏好推荐算法WP-DAE。（3）密度峰值聚类的改进。为了使数据服从真实数据的分布,在密度峰值聚类算法的基础上加入约束对的监督信息。计算用户-项目评分矩阵相似度,根据相似度值进行用户兴趣度聚类,同时提高算法的在线推荐效率。（4）信任度计算的改进。首先在传统的信任度计算上引入信任因子,用以区分不同用户之间的信任度。由于不是所有用户之间都存在直接信任关系,因此加入间接信任度值,以提高对目标用户的精确匹配。根据兴趣度和信任度构建基于信任度值计算与兴趣度的半监督密度峰值聚类的推荐算法IT-SDPC。本文通过利用公开的数据集进行实验,选用常用的评价指标MAE和RMSE对本文提出的方法进行评价,结果表明本文所提的方法可以有效的提高推荐结果的准确度。