近些年,由于信息技术的飞速发展,越来越多的信息出现在人们的身边,用户在使用互联网的过程中自身也在不停地生产着数据,信息过载的问题愈发严重。推荐系统作为一个信息筛选的工具,能够实现从海量的数据中找出用户感兴趣的内容,逐渐成为了互联网平台中不可缺少的一部分。由于数据量的不断膨胀,协同过滤这种传统的推荐算法的缺陷不断暴露——无法应对冷启动问题、面对稀疏数据时效果不理想,这些问题的出现意味着对推荐系统的改进至关重要。近年来,深度学习在多个领域都展现出了不俗的效果,它在特征选择和特征组合等方面的出色表现为推荐系统的改进方向提供了参考。本文通过结合协同过滤和深度学习的优势,提出了一种基于深度学习的混合模型——DCCFN模型对电影推荐问题进行了研究。具体工作主要是:（1）将协同过滤与深度学习相互融合。为了充分利用用户和项目的辅助信息,解决冷启动问题,本文将深度学习技术引入推荐系统,能够实现特征的自动交叉组合,从而挖掘出高阶数据特征。（2）利用矩阵分解降低数据稀疏性。为了解决数据稀疏的问题,本文利用用户的评分和电影的属性构建了用户和电影属性的关系矩阵,并利用矩阵分解的方式对矩阵进行重构、填充,大幅降低了数据的稀疏程度。（3）引入用户隐特征向量来反映出用户的兴趣特征。由于用户辅助信息对个人兴趣表现不足的问题,本文在模型中引入了矩阵分解中的用户隐特征向量,将用户隐特征作为一个输入特征加入到模型当中,从而使模型能够在一定程度上体现出用户不同的兴趣。（4）通过公开数据集Movie Lens 1M和Movie Lens 100K验证模型性能。实验结果表明,本文提出的DCCFN模型在两个数据集中的表现均优于单一的DCN模型和协同过滤模型。