随着互联网的迅猛发展,人们获取到的信息越来越来多,但这也带来了“信息过载”的问题。人们无法及时地获取到自己需要的信息,而推荐系统被认为是解决该问题的主要方法之一。推荐系统能够有效的帮助人们快速的获取他们想要的信息,但是在传统的推荐算法中存在着数据稀疏、冷启动等问题。而近年来,深度学习技术在图像处理以及自然语言处理等方面取得了令人瞩目的成就。本文将传统的推荐算法与深度学习算法相结合,以此来改善传统推荐算法中所存在的问题,提高推荐系统的推荐精度。本文首先介绍了推荐系统研究的意义与现状,然后阐述了传统的推荐系统中常用的几种推荐算法,并对它们各自的优缺点作了说明,接着介绍了推荐系统中几种评价指标以及相似性的计算方法。然后为了将深度学习技术应用到传统的推荐算法中,本文选用了变分自编码器(VAE),一种具有强大特征提取能力的新型深度网络架构。本文通过将无监督变分自编码融合到概率矩阵分解,构建了一种通过感知上下文的新型推荐模型——变分矩阵分解(VAEMF)。本文对评价文档进行数据预处理,随后对处理后的数据使用VAE捕获上下文信息特征,最后使用概率矩阵分解进一步提高预测评分精度。在两个公开数据集上的进行实验,实验结果验证了该方法相较与其他推荐算法的优势,在实验中还对模型中重要参数进行分析。最后本文使用SpringBoot等技术搭建了个性化电影推荐系统,该系统是一个B/S架构。首先对系统的需求进行分析,然后对系统进行总体设计以及具体功能设计,接着对系统的数据库进行设计,同时对系统搭建使用的开发环境进行了介绍,紧接着实现了设计的各个模块,并对系统中重要模块的进行了性能优化,提高了系统鲁棒性。同时系统还将本文提出的VAEMF推荐模型运用到了系统的推荐模块当中。最后还对系统的主要模块进行了测试,达到了预期的效果。