随着移动边缘计算（Mobile Edge Computing,MEC）技术的快速发展与成熟,网络上出现了大量来自于不同领域的服务。同时,越来越多的用户日益依赖于服务来完成工作与生活事务。然而,在MEC环境下,服务种类、数量的激增以及服务质量（Quality of Service,QoS）的动态性,使得用户难以快速地发现符合其需求的可靠服务,严重影响了用户的满意度以及服务资源的利用率。因此,MEC环境下可靠服务的快速发现成为服务领域亟需解决的重要挑战之一。针对这一问题,本文提出了一种双边感知的主动服务推荐方法。该方法首先基于改进的在线深度学习方法主动地感知用户的服务需求;之后,基于多维情景感知的多任务深度学习方法预测候选服务的多维QoS值;最后,根据预测的QoS值,主动将具有最优QoS评价值的服务推荐给用户。该研究工作意在深化人工智能与服务计算领域的结合,探索智能服务的新理论与新方法,具有重要的理论意义与使用价值。本文的主要研究内容如下。1.对于用户边,提出了基于改进在线深度学习（Improved online deep learning,IODL）的用户需求主动感知方法。该方法首先设计了数据特性驱动的激活函数（Data Driven Rectified Linear Unit,DRe LU）;之后,将DRe LU纳入对冲反向传播在线深度学习模型;最后,提出了基于IODL模型的用户需求在线预测方法。通过大量的实验验证了所提出方法的有效性。2.对于服务边,提出了多维情景感知的多QoS预测方法。该方法首先对MEC环境下对服务质量具有重要影响的多维情景进行了深入的分析与建模;之后,将数据融合与多任务损失函数权重自适应更新机制引入多任务深度神经网络（Multi Task Deep Neural Network,MTDNN）中,构建了改进的多任务深度神经网络模型（Improved Multi Task Deep Neural Network,IMTDNN）;最后,提出了基于IMTDNN多维情景感知的多维QoS预测方法。基于Edge Cloudsim平台获取了实验数据,并通过大量的实验验证了本文所提出方法的有效性。