推荐系统已被广泛应用于许多领域，如购物、新闻、影视等，其核心算法的性能直接影响推荐的质量。以往模型多采用相似度、标签、规则、群体智能或者物理学等方法。随着用户与物品数量的持续增加，在规模大、高稀疏数据条件下，传统方法效果不佳。虽然深度学习技术给构建新型推荐模型提供了新思路，但仍存在两类问题:(1)聚类过程中一个样本只能属于一个分组，并且没有考虑它们之间的相似性联系，缺乏足够的约束条件使得结果具有不准确性;(2)深度学习方法在内容方面有着极佳的表现，如文档、网页等，在非内容领域性能不足。为此，论文工作将研究解决上述问题的方法并提出新的基于聚类和深度神经网络的推荐模型。论文主要工作和创新点如下:　　提出了一种基于图的聚类推荐模型，它首先利用矩阵分解来发掘用户的兴趣和物品的特征，然后计算它们的相似度并构建无向图来求解最终的分组。通过加入相似性限制图的自由度，使得聚类结果更加可靠;另一方面，用户可能具有多种不同类型的兴趣，而物品也具备多种特征，因此，提出的模型允许它们同时属于多个分组，也更符合现实情况。通过在三种较为权威的公开数据集上(MovieLens-100K、MovieLens-1M和Epinions)进行实验，在MAE指标上与现有的方法最好结果相比分别提升了约5.15％、5.14％和4.42％的预测精度，在NDCG指标上分别提升了约3.94％、4.1％、1.60％的推荐精度，验证了新模型的有效性;　　提出了一种基于二次多项式回归的深度推荐模型，它主要根据交互行为如浏览、评分等产生推荐结果，多用于购物等非内容领域。首先，使用二次回归模型获得用户、物品的特征以及它们的潜在关联，丰富输入层的特征表示，然后利用深度神经网络来学习有关参数，去拟合用户行为，预测他们对特定物品的喜好。通过在上述三个数据集上进行实验，在MAE指标上与现有的方法最好结果相比分别提升了约2.2％、1.7％和3.0％的预测精度，在RMSE指标上分别提升了约1.6％、1.2％、1.5％的预测精度。