随着互联网的快速发展,人们生产、复制和传播信息的能力大大增强,整个社会面临前所未有的信息过载问题,个性化推荐系统是解决该问题的有力手段。协同过滤是推荐系统中较为常用的一种方法,由于其良好的可扩展性和易用性被广泛应用。但是协同过滤算法的推荐准确度会因为评分矩阵包含大量的缺失值而大幅度降低,且对于新用户和新物品存在冷启动的问题。近年来,深度学习已被应用在自然语言处理、音频识别和交通监控等领域,并且获得了突飞猛进的发展,也为推荐系统带来了新的机遇。本文首先对传统的协同过滤算法进行改进,通过标签信息来辅助缓解协同过滤稀疏性问题,提出了基于标签分类的协同过滤推荐算法LCCF,将不完整的数据样本根据标签进行分类,使分解的矩阵依赖于类,随后使用迭代投影寻踪的方法计算依赖矩阵的线性组合及其对应权重,最后进行协同过滤推荐。针对传统协同过滤自身的局限性与评分信息单一的问题,结合深度学习模型中的降噪自编码器,提出了基于信任信息的降噪自编码器协同过滤推荐算法TDAE,通过相关度计算提取隐式信任信息,然后与数据集中的显式信任信息和评分信息与降噪自编码器模型进行整合,并对降噪自编码器的输入进行稀疏化处理,最后进行协同过滤推荐。