随着互联网的快速发展,海量数据不断增加,能够通过网络快速接触各种信息的便利性使我们进入到了信息过载的时代,如何缓解信息过载成为了现代发展的主要问题。个性化推荐技术是解决这些挑战、弥合用户与信息之间鸿沟的有效工具之一。原始推荐系统向所有用户提供相同的推荐信息,不会根据用户的偏好对其进行个性化推荐。随着互联网信息数量的增加,用户的个性化需求越来越大,因此引入个性化推荐具有重要意义。协同过滤算法是一种广泛应用在推荐系统中使用的算法。但由于用户和项目数量在不断增加,数据稀疏度也随之增加,协同过滤算法中的冷启动问题愈发明显,算法受到很大的限制,而深度学习在学习抽象特征表示方面具有强大的表征能力。因此,本文在现有研究的基础上,将深度学习与推荐算法相结合,利用深度学习具有良好的特征提取能力的特点来解决推荐算法中的数据稀疏及冷启动问题,探索数据的深层特征,从而提高推荐算法的准确度。针对协同过滤算法中数据稀疏及冷启动的现象,在矩阵分解算法的基础上,提出一种新的矩阵分解推荐模型。使用深度学习中的卷积神经网络来提取用户和项目的辅助信息,将辅助信息融入到原本的特征矩阵中,并利用深度神经网络对其进行特征提取。最后,根据添加了辅助信息的特征矩阵进行内积操作,并得到预测评分。针对传统的矩阵分解算法无法学习到用户和项目之间深层次的非线性特征,进而导致Top-N推荐精度较差的问题,提出一种基于双重变分对抗自动编码器的复合推荐模型。将变分自动编码器和对抗生成网络结合,对变分自动编码器的重建目标进行改进。同时,采用双自动编码器同时学习用户和项目的低维特征表示来降低方法的时间复杂度。并添加了关于用户和项目的附加属性,以缓解冷启动问题。最后,在算法收敛时,将用户的特征矩阵与学习到的项目特征相乘,得到预测结果。最后,为了验证本文提出两种模型的有效性,本文在Movie Lens、Netflix数据集上根据多个评价指标,将本文所提出的模型和PMF、CDAE等模型进行对比,实验结果表明,本文提出的基于深度学习改进的协同过滤模型和基于深度学习的对抗自编码器模型有效可行。