随着互联网技术的飞速发展,每天产生的数据量在爆发式增长。在信息量严重过载,竞争极为激励的今天,传统的搜索引擎已经无法满足当前的需求。推荐系统在这样情景下应运而生,成为很多网站很重要的一部分,也成为新时代的一个新宠,其中使用范围最广泛的是协同过滤技术。协同过滤算法虽然应该最为广泛,但是也面临着严重的数据稀疏性、扩展性和冷启动等问题。为了解决这些问题,本文提出了基于回归的条件受限波尔兹曼机推荐模型(Regression-based on CRBM,简记为R-CRBM),还有基于强化的受限波尔兹曼机模型(Strengthen-based on CRBM,简记为S-CRBM)和隐因子模型(LFM)的混合推荐模型(SCRBM-LFM)。首先,本文在RBM模型基础上引入条件层,分别使用用户信息和项目信息对模型进行训练,并使用线性归回算法对两个结果进行融合。其次,本文在基于条件的受限波尔兹曼机模型基础上引入强化层,强化层由基于用户特征的项目相似度计算方法计算而来,训练模型生成推荐候选集,最后使用隐因子模型对候选集进行排序,进行Top-N推荐。本文在公开数据集MovieLense上进行对比试验和结果分析。结果表明,本文对RBM模型的改进可以很好的提升推荐性能。