随着互联网不断普及,网络信息量不断增加,人们在选择网络资源时往往面对种类繁多的信息,这类问题在图书借阅以及文献检索当中同样存在。读者在选择自己喜欢的图书、文献过程中往往需要搜索、查找,然而图书、文献的种类、数量越来越多,人们在选择自己喜欢的图书或者进行文献检索时往往需要耗费较多的查找时间,检索文献所给出的检索结果也往往不能充分结合读者特点,总体上个性化水平还有待提高。因此本文通过对目前的图书推荐进行研究,讨论基于聚类与协同过滤的图书推荐算法,结合近几年机器学习中的研究热点——深度学习,对于将深度学习模型应用到改进读者检索借阅方面的问题进行了探索。通过对深度学习模型的研究,讨论了基于受限玻尔兹曼机的协同过滤图书推荐以及基于深度玻尔兹曼机(DBM)的协同过滤图书推荐,对于这两种图书推荐方法在图书个性化推荐方面的应用前景进行了探讨。对于文献检索当中的检索结果排序问题,探讨了采用深度信念网络(DBN)进行读者文献兴趣度排序计算的方法。(1)目前个性化推荐技术种类很多,本文对多种推荐技术的优缺点进行了分析。在此基础上,讨论了基于读者聚类与图书聚类相结合的混合协同过滤图书推荐算法,在高校读者借阅记录数据上进行仿真实验,验证了算法的有效性。在平均绝对误差上对混合协同过滤图书推荐算法与基于用户的协同过滤推荐算法进行比较,结果表明混合协同过滤图书推荐算法在平均绝对误差上基本优于传统的基于用户的协同过滤推荐算法。(2)受限玻尔兹曼机是深度学习模型当中的基本组成单元,受限玻尔兹曼机可以很好的应用于处理协同过滤问题上。因此本文在对受限玻尔兹曼机进行研究的基础上,讨论了基于受限玻尔兹曼机的协同过滤图书推荐,以及基于深度玻尔兹曼机的协同过滤图书推荐,并且对于两种图书推荐的收敛性做了对比。结果表明在模型的训练上基于深度玻尔兹曼机的协同过滤图书推荐具有较低的均方根误差。在文献检索排序方面,讨论了一种采用深度信念网络的文献兴趣度排序计算方法,对于网络的层数与排序的平均准确率之间的关系进行了仿真测试,验证了在处理大量数据时的模型性能。