得益于弹性按需的服务模式和允许网络广泛访问的特性,云服务在互联网上的数量呈爆炸式增长,导致云服务市场中充斥着大量功能相似但服务质量（QoS）不同的同质化云服务。在这种情况下,用户很难确保所选择的云服务能够在特定环境中满足自身的完整需求。因此,结合推荐技术,对QoS进行准确和个性化预测成为了帮助用户选择与自身匹配程度较高的云服务的必要条件。近年来,基于QoS预测的云服务推荐在服务计算领域持续引起关注,研究成果十分丰硕。然而,云服务部署环境的动态性及多样性不断增加,给现有服务推荐中的QoS预测提出了许多新的挑战:如何挖掘影响QoS预测的更多因素,如何构造更加强大的预测模型提高QoS预测精度等。针对以上问题,本文基于服务调用过程中的多源信息,充分挖掘影响QoS预测的多种因素,提出了一种基于多源特征提取的QoS预测方法;在此基础上,本文基于深度学习技术,提出了一种基于卷积神经网络的联合深层网络进一步学习多源特征交互并实现QoS预测。本文的主要工作及创新总结如下:（1）本文提出了一种基于隐因子嵌入的多源特征提取方法用于提取用户和服务的多源特征,并结合多层感知机实现QoS预测。首先,通过引入嵌入层网络提取用户和服务的深层显式环境特征;同时结合Doc2Vec算法对服务描述文档进行语义向量学习,避免了服务向量随机初始化导致的不稳定性;之后,提出隐因子嵌入方法,提取表示用户偏好和服务属性的深层隐式特征,并结合显式特征生成了基于显-隐的多源特征;最后通过引入多层感知机完成QoS预测。实验结果表明,基于隐因子嵌入的多源特征提取方法能够提高QoS预测精度,有效的缓解数据稀疏的影响,为从不同的多源信息中捕获关键特征提供了一种新的解决方案。（2）本文提出了一种以卷积神经网络为核心的联合深层网络（Joint Deep Networks,JDN）用于学习多源特征交互并实现QoS预测。其中,单隐层神经网络用于自适应的学习特征序列,降低特征排列顺序对卷积神经网络学习的影响;卷积神经网络部分用于学习多源特征间的高阶局部特征交互;多层感知机部分用于学习基于原始特征与局部特征交互生成的混合特征的高阶全局特征交互并实现QoS预测。基于真实世界的大规模数据集实验结果表明,联合深层网络能够有效的学习高阶特征交互,其QoS预测性能优于传统的协同过滤方法及目前先进的基于深度学习的预测方法。