自2000年国际音乐信息检索学术会议创办以来,关于音乐推荐系统的研究层出不穷,越来越多的推荐方法被提出、使用。但音乐推荐系统面临的挑战仍然艰巨,用户反馈数据的稀疏性、歌曲分布的长尾问题等等,都是亟待解决的难题。本论文对混合音乐推荐算法进行了研究,整理了近期混合音乐推荐引文的研究成果,提出了一种深度神经网络混合推荐模型,旨在解决上述问题。通过设置评估实验,对深度神经网络混合推荐模型的模型性能、预测精度、覆盖率和新颖性进行了测试和计算,并考察了协同过滤推荐模型、基于内容的推荐模型和深度神经网络协同过滤推荐模型的评估结果,通过比较评估结果分析四种推荐模型各自的特点。最后对深度神经网络混合推荐模型的超参数进行了实验研究,给出了超参数选取建议。基于混合音乐推荐引文的算法研究表明:⑴对于歌曲的隐式反馈数据,通过给歌曲的平均播放次数等特征设置筛选阈值,能够有效解决音乐推荐数据稀疏的问题。⑵对于歌曲内容中的文本数据,使用TF-IDF方法和主成分方法进行处理,能够有效利用歌曲信息,同时防止特征维数过高。评估对照实验结果表明:⑴四种模型的训练速度差距不明显,迭代10~5次的耗时相差约1秒。⑵结合了神经网络的模型推荐精确度较线性模型有提升。⑶单使用协同过滤方法得到的结果,其覆盖率和新颖性显著低于其它方法。超参数的实验研究表明:⑴神经网络的层数、学习率和衰减率的取值都有一个合适的区间,并不是越多（大）越好,对于本次歌曲数据的推荐,神经网络隐含层取3层、学习率取0.001、衰减率取0.001是合适的。综合以上研究结果,本论文得出结论:深度神经网络混合推荐模型能够有效解决数据稀疏性、分布长尾问题,其推荐精度相较另外三种基础推荐模型有所提升。