随着互联网高速发展,导致了互联网新闻的急剧增加,用户如何准确且快速有效地从海量互联网媒体中获取所感兴趣的新闻,已成为急待解决的问题。传统文本检索算法仅计算检索词语和文本的相关度,根据评分排序获得检索结果,缺乏和用户历史行为的交互;同时,传统推荐算法存在人工过度干预和特征信息提取困难等缺点。因此,为了解决上述问题,本文研究了深度学习的方式应用于检索与推荐算法中。主要工作包括以下几方面:（1）在分析研究现有检索算法的基础上,设计了基于用户历史交互行为的检索算法。采用了传统检索算法和无监督聚类算法相结合的文本检索方法,设计了用户交互式检索模型,优化了模型参数,实现了新闻信息的检索。对算法进行了对比实验,研究了参数对检索结果的影响,结果显示新算法提升了检索新闻的精确率。（2）研究了融合深度学习的推荐技术,采用抽取式和生成式相结合的新闻特征提取算法,在此基础上,设计了基于Bert模型的新闻推荐模型,实现了互联网新闻的精准推荐。设计了实验验证推荐的有效性。（3）在研究融合深度学习的新闻检索与推荐算法的基础上,设计并实现了基于互联网媒体的新闻推荐检索与推荐系统,系统主要包括:文本管理、模型训练、新闻检索、新闻推荐、用户管理等核心功能模块。同时对系统进行了部署和测试。