随着移动互联网的飞速发展,电影的观看越来越方便。由十九世纪末发展至今,电影的种类越来越丰富,电影的数量也越来越多,不仅传统的电影行业每年会推出大量的新电影,国内的腾讯、爱奇艺等以及国外的Netflix、Apple等流媒体平台也会制作大量的自制作品,影视信息的过载现象导致用户的选择越来越困难。将推荐系统应用于存在海量视频的领域,既可以提高用户的观影体验,又能通过用户的反馈数据来促进推荐系统的发展。最近几年,深度学习在各个领域取得了较大突破,尤其是在传统推荐算法性能的改进上起到了非常明显的效果。通常的做法是将除评分以外的辅助信息引入到推荐算法中,可以更加有效的利用各种数据信息,在一定程度上缓解数据稀疏性问题。但是目前对辅助信息的利用存在局限性,也并未深入挖掘数据的深层次特征。通过深入分析与研究近年来的深度学习应用在推荐系统中的算法,提出了一种基于多层感知机（MLP）的改进型深度学习网络电影推荐算法MCDNets,可以有效的解决信息过载的问题。不同于传统混合推荐方法对辅助信息的简单利用以及向量相乘的预测方式,该算法用卷积神经网络获取项目描述文档的上下文信息,将用户特征向量和项目特征向量输入多层感知机来预测评分,改进了深度网络推荐模型。之后又提出了一种改进的卷积协同过滤网络UCCFNets,用MCDNets算法提取非线性的浅层特征预测评分,再用改进的矩阵分解算法提取用户和项目间的深层特征预测评分,通过加权关联模式将两者有效的结合,生成新的评分。通过在概率矩阵分解（PMF）、卷积矩阵分解（Conv MF）等多个推荐算法上进行对比实验,在三个稀疏度不同的真实数据集上,新提出的算法不仅在评分预测的准确性有所提高,也缓解了冷启动问题,在数据稀疏的情形下,模型的提升效果更为明显。