推荐系统对于在信息爆炸时代保持用户对个性化推荐的参与度和满意度至关重要。用户期望在现代的电子商务、娱乐和社交媒体平台中获得个性化的内容,而平台则期望为用户提供符合其需求的项目以提高用户忠诚度。伴随着网络数据指数级的增长,传统推荐技术存在的弊端日益凸显。随着深度学习技术的不断发展,其在推荐技术领域的价值被不断发掘。为了缓解用户交互数据缺少和无法推荐新项目对推荐性能的影响,将深度学习技术与推荐系统相结合,以充分挖掘用户潜在兴趣,提高系统推荐准确度及用户忠诚度。提出一种基于深度学习的混合推荐算法,充分利用用户、项目显性信息。针对一般属性信息,利用深度神经网络提取用户、项目特征;针对文本信息,利用添加自注意力机制的卷积神经网络提取项目文本特征,然后将用户特征和项目特征输入神经矩阵分解模型。借助通用矩阵分解模型学习低阶用户项目关系,多层感知机学习高阶用户项目关系,模型的输出即为预测评分。最后在Movielens-1M数据集上验证该算法,并与多种算法进行对比,证明所提出的混合推荐算法能够有效地缓解因交互数据稀疏和项目冷启动问题对推荐效果的影响,提高评分预测的准确性。基于对混合推荐算法的研究实现,构建了一个个性化电影推荐系统,将所研究的算法应用到实际的场景中。从用户角度出发,对电影推荐系统进行需求分析与功能设计,实现了包括用户注册、登录、个性化推荐、常规推荐、电影收藏和评分等功能。同时考虑到对推荐系统数据信息的管理,设计了后台数据管理系统,实现了包括用户管理、电影管理等功能。将混合推荐算法应用于电影推荐系统,针对用户进行个性化推荐,可以缓解网络数据“信息过载”现象,充分发掘用户兴趣,具有一定的使用价值和研究价值。