近年来,随着互联网技术高速发展的同时也带动了电子商务平台的快速崛起。在电子商务平台中个性化推荐系统是电子商务平台的一个重要组成部分,随着人们口味变得挑剔的同时也给个性化推荐系统带来更高的挑战。在电子商务平台中个性化推荐的推荐结果的好坏成为决定互联网公司是否能够走得更远的关键。在国内大型的电商平台如:天猫国际、聚划算、淘宝网、京东等知名电商平台,据不完全统计淘宝网所提供的商品已超过3亿多件,并且这个数量每天以万为单位的不断增长。在众多的电商平台的使用过程中我们不能难发现,每个电商平台都会提供类似百度搜索相似的搜索框,用户可以根据今日购买欲望并使用关键字去查询,但是搜索出的结果却不让人满意,搜过结果中出现过多的商品信息,而作为用户的中上百乃至上千个结果中找出自己中意的变得十分困难。于是,个性化推荐系统作为能够根据每个用户兴趣爱好产生符合用户特征的偏好物品以及发觉用户潜在的个性化需求变得越来越明显。伴随着深度学习技术不断突破,循环神经网络、卷积神经网络等深度学习模型在图像处理、自然语言处理以及语音识别领域中获得了较高的应用,深度学习已经悄然出现在我们生活中个个方面为我们提供更加智能和人性化的服务。深度学习与推荐系统的结合可以给推荐系统带来新的机遇。由此,本文提出了融合卷积神经网络与协同过滤的个性化推荐系统。本文提出的融合卷积神经网络与协同过滤的个性化推荐系统包括:数据采集,算法推荐模块,前端页面模块、业务模块、数据存储模块。系统整体思路:1)通过采集工具采集用户和商品的相关数据组合成模型数据集。2)使用数据集对本文提出的算法模型进行训练并生成用户和商品特征向量。3)最后使用训练出来的用户和商品的特征向量通过协同过滤算法生成推荐列表,在推荐列表中选取相似度较高的N个物品推荐给用户。本文所提供的推荐算法进行了应用性的实验通过经典数据集合Movie Lines 1M对模型进行训练和测试通过调整学习率等参数对模型进行调优使用MSE均方误差、准确率,对推荐结果进行推荐质量评估。本文使用卷积神经网络和协同过滤相结合的混合推荐算法,可以更深层次的去挖掘用户-商品之间的隐式特征属性,从而可以缓解传统协同过滤算法中的冷启动和数据稀疏性的问题。