如何充分挖掘商品图像中蕴含的信息,构建用户需求的预测方法,是个性化推荐系统研究的重要问题。库存作为用户购物环节的影响因素,直接决定了用户是否能够购买到心仪的商品。如果在个性化推荐的过程中忽略了商品库存的限制,将会导致用户无法购买到推荐的商品,从而降低用户的满意度。因此,基于商品图像预测用户的个性化偏好,在此基础上,融合商品库存信息优化商品推荐结果,有助于提升个性化推荐的准确性,提升用户满意度。针对以上问题,本文提出了融合商品图像和库存的个性化推荐优化方法。首先,基于商品图像数据,利用深度残差网络和Kmeans方法对商品进行标签化处理,充分挖掘商品图像中蕴含的用户偏好信息,建立商品之间的联系,降低数据稀疏性对推荐精度的影响。其次,构建基于特征划分狄利克雷过程的用户偏好预测模型,对用户的多维度兴趣进行分析。最后,构建基于商品库存的推荐结果优化策略,生成个性化推荐列表。在淘宝数据集上的实验结果表明,本文提出的基于商品图像和库存的个性化推荐优化方法能够有效提升推荐系统的性能。本文研究为充分利用商品图像和库存等信息提高个性化推荐系统的效果,提出有效的解决方案,对提升电子商务环境下的用户满意度提供了新的思路,对个性化推荐系统的研究具有理论和实践意义。