近些年,大学生慕课学习快速发展。特别在2019年末新型冠状病毒疫情出现。疫情期间,大学生慕课学习呈爆发式增长。全国学生“停课不停学”,线上学习成为大学生学习的主要方式。对学生而言,一方面,庞大的学习资源良莠不齐,课程的挑选过程影响了学生的学习效率。另一方面,课程平台需要缓解网络平台资源过剩的问题。关于在线课程近几年的研究发现,大学生用户在慕课学习存在严重的辍学现象。慕课中的辍学行为为用户在课程中未能完课中途退出的行为,对于不喜欢的课程用户趋向于未能学习完而辍学。在课程推荐过程中将用户辍学情况进行规避来减少用户辍学,能够提升学生学习效率。过往的研究针对大学生慕课的推荐研究较少,已有的课程推荐研究主要采用用户评分单一特征的协同过滤等传统方法推荐。传统方法对于多特征利用的能力有限,而具有强大特征融合能力的深度学习算法可以更有效的利用那些课程特征将其反映到推荐过程中来发挥这些特征的作用。另外近几年也有一些针对大学生慕课辍学行为的研究,发现用户会出现严重的辍学行为。本文将融合大学生慕课学生易出现辍学情况的特点,在课程推荐中融合辍学特征和辍学预测以达到提升课程推荐的效果。另外本文还考虑将课程简介文本信息融入推荐过程提高课程推荐效果。在本文的课程推荐思路下,需要能够融合多种特征、表达能力更强的深度学习算法作为主要模型。本文主要工作包括:（1）对大学生慕课场景进行描述性分析。一方面观察用户辍学情况的宏观表现。另一方面对课程简介信息进行分析,通过词云图分析不同领域课程简介文本的差异性。（2）本文对大学生慕课推荐研究主要从用户学习时间和完课情况入手来构建特征,通过构建用户完课特征融合用户的辍学因素,同时运用LDA主题模型对课程简介信息进行训练并划分主题簇。在推荐过程中设计加入用户辍学预测提升课程推荐效果。最后,本文选用多个特征交叉结构不同的深度学习模型对比实验,综合用户学习和辍学的预测结果设计推荐模型。在实验阶段融合辍学因素的用户选课预测效果、课程主题特征的效果、辍学预测的效果分别进行实验验证。研究发现对于大学生慕课推荐来说,第一,融合辍学因素的大学生慕课深度学习用户选课预测可以达到不错的效果,在多个模型上的模型误差相对较小。第二,挖掘并融合课程主题概率特征在模型中有提高模型效果的作用。第三,在课程推荐中加入用户辍学预测过程使模型的课程推荐效果提升。围绕在推荐课程过程提升推荐效果,结合大学生慕课场景本文主要研究创新有:（1）本文采用深度学习方法进行慕课推荐,并且在深度学习模型灵活表达性强的特点下充分考虑大学生慕课的特点融合用户辍学特征。（2）本文在大学生慕课推荐中加入了新的过程。本文在大学生慕课推荐中加入了用户辍学预测过程,在特征工程中融合了慕课课程简介文本主题概率特征,提高了大学生慕课的推荐效果。