随着科技的进步,与互联网有关的各种新兴的技术急速发展,互联网上各式各样的信息也越发的纷繁复杂,并且引发了严重的信息过载问题。通过深度学习对大量的多源异构数据进行整合,并将其与推荐系统进行深度融合,使推荐模型更加贴合用户的需求,从而提高推荐算法的性能,成为目前融合深度学习的推荐算法的一项十分重要的任务。在实际应用中,由于用户和物品的交互数据十分稀疏,算法无法高效地获取新用户和新项目的重要特征,降低了推荐系统的性能。目前,通过融合相关的辅助数据,如物品的文本描述和标签信息、用户间的信任关系、用户标签数据和其他的用户反馈信息等,来缓解上述问题的一个重要解决方案。这些数据的来源和结构都具有多样性,需要在推荐算法中设置合理的机制,才能将其有效融合,最终提高推荐结果的个性化和准确性。本论文在总结传统的机器学习的推荐算法和目前已有的可用于推荐系统的深度学习方法的基础上,针对存在的问题,建立深度学习模型。（1）融合用户信任关系的非对称深度矩阵分解推荐模型（Asymmetric Depth Matrix Factorization Recommendation Model Based on User Trust Relationship,ADMFT）。模型在深度矩阵分解模型的基础上,融合了用户间的信任关系并针对用户和项目数量的差异进行模型结构的优化。使用了添加社交正则化约束的交叉熵损失函数进行训练。实验结果表明ADMFT模型缓解了协同过滤算法的数据稀疏性和可扩展性等局限性问题,提升了推荐算法的精准度。（2）针对数据稀疏和冷启动问题,提出了融合多源异构信息的矩阵分解模型（Matrix Factorization Model Combining Multi-sourse Information,MFCMI）。该模型融合了用户的个人信息和项目的辅助文本信息。首先,将项目的文本信息的词向量和上下文信息融合,对句子进行充分的表示后,再通过带有门控机制的卷积神经网络对文本特征进行精确的深层次特征提取,使用多层感知机（MLP,Multi-Layer Perceptron）实现个人信息数据的特征提取。然后,根据评分数据,通过矩阵分解模型学习到项目和用户的隐特征,将用户和项目的特征与隐特征融合进行推荐。实验证明MFCMI模型借助对多源信息的融合实现了推荐算法优化和准确率的提升。