互联网时代的到来使得各大网站以及移动端的新闻app都跻身于资讯推送和信息传播的行列,由于在线新闻的普及公众不再局限于从电视、收音机等传统媒介获取热点时事资讯。相对于线下媒体新闻系统的传播速度更迅速,可以更快更广地触达公众,因此在政策法令的颁布或者相关规定的落实方面会达到更优的效果。此外新闻系统可以更好地关注和了解人民公众的看法,能够实时监察和分析民众舆情,对于社会的稳定具有十分重要的意义。然而网络上每日产生的海量信息使得常规的新闻网站无法满足多样性的需求,出于以用户为中心的理念,各大新闻网站纷纷引入推荐技术。相比于传统的推荐方法,基于深度学习的推荐方法一方面在提取用户和项目深层次语义方面具备独特优势,另一方面通过将多源异构数据映射到高维空间进行融合,能够挖掘到丰富的用户行为和个性化需求信息,在此背景下本文主要研究融合深度学习算法的新闻推荐系统,以此为广大用户提供良好的新闻推荐服务。在研究了深度学习相关理论技术的基础上本文提出了系统的推荐模型MINDEbNR,该模型使用加入类别信息的降噪自编码器与门控循环单元分别对新闻与用户建模,并通过两者的内积来衡量它们之间的相关性。为验证模型效果本文基于微软公开数据集MIND开展了实验,并使用AUC与F1 Score等评价指标度量与分析实验结果。本文按照软件开发的基本流程,基于上述探究的模型完成了新闻推荐系统 EbNRS（Embeeding-based News Recommend System）的开发。整体采用前后端分离的开发模式完成系统的设计与实现,数据通过Selenium工具爬取,前端使用Vue框架,后端基于Spring Boot与MyBatis框架开发,最终实现了权限认证、用户管理、新闻管理、新闻加载以及用户偏好表示等多种功能。在此系统内用户既可以接受系统的个性化推荐与热门新闻推荐,也可以主动搜索自己感兴趣的信息。