随着移动智能设备和位置服务的广泛应用,基于位置的社交网络（Location-Based Social Network,LBSN）已经逐渐深入到每个人的生活当中,针对用户进行个性化的兴趣点（Point-Of-Interest,POI）推荐研究也就变得越来越重要。通过学习用户-POI的实际交互为用户提供合适的POI推荐服务,不仅能够帮助用户快速找到喜欢的POI,还可以帮助商家发现更多潜在客户以提高经济效益。在LBSN中,包含大量的用户历史签到信息和社交信息,如何选择适合的相关信息以及合理的融合策略以提升推荐的效果是目前研究的重点。目前,大多数研究通过挖掘POI与用户之间的地理和社交关系等来提高POI推荐的性能,很少有研究考虑用户签到行为的时间特征。为此,本文深入分析时间和地理因素对用户签到行为的影响,并将这两种影响因素与深度学习技术结合,提出一种时间-地理感知的POI深度推荐模型（TG-DAE）。该模型利用条件受限玻尔兹曼机对签到数据中的时间信息进行建模,获取用户签到的时间关联;并基于条件受限玻尔兹曼机构造深度自编码器,挖掘用户签到数据的深层特征;之后在深度模型的输入和输出层中添加地理权重连接对POI之间的地理信息建模,引入地理位置影响,进一步提升推荐效果。此外,针对已有的基于社交因素的推荐算法对社交关系信息利用不充分的问题,本文研究了不同社交关系对用户签到行为的影响,提出一种基于潜在好友挖掘的模型学习方法,在该方法下实现上述TG-DAE模型,得到融合多种因素影响的POI深度推荐模型（TGS-DAE）。具体而言,为了扩充社交影响的范围,本文利用超图嵌入技术LBSN2vec挖掘用户的潜在好友关系;然后建立包含显式和潜在好友的社交影响正则项,并加入前面提出的TG-DAE模型中,挖掘好友之间的签到关联,同时提高模型的鲁棒性。最后,在两个真实的数据集上对本文提出的模型的合理性与有效性进行验证,并与相关算法进行对比分析。通过对本文实验结果的分析可以得出:相对于几种对比算法,提出的TGS-DAE模型在准确率以及召回率指标上均可获得显著的效果上的提升,能够有效地生成POI推荐。时间、地理和社交影响因素的结合对模型性能的提升起到了重要的作用,TGS-DAE模型可以很好的处理这些影响因素,最终提高推荐性能。