单领域推荐算法已经日益成熟,其中应用最广泛的当属协同过滤推荐算法。但是随着用户和项目数量的日益增多,使得协同过滤算法面临着数据稀疏性问题的巨大挑战。跨领域推荐技术是解决这一问题的有效方法之一。跨领域推荐的目标就是从信息丰富的辅助领域获取用户偏好并迁移到目标域中,来缓解目标领域数据稀疏问题,从而提升目标领域推荐性能。成熟领域积累了大量的用户行为数据,通过领域间信息资源的共享和互补,不仅可以有效地缓解用户访问量少的推荐系统所面临的数据稀疏问题,而且可以提高用户满意度、改善用户体验。本文提出两种基于知识迁移跨领域深度推荐方法,主要工作如下:（1）分析了跨领域推荐的背景、研究意义以及国内外研究现状,探讨跨领域推荐发展趋势,为我们接下来研究工作提供坚实的理论支撑。（2）从辅助领域挖掘用户偏好角度出发,提出了一种融合美学特征的跨领域深度推荐方法。该方法根据用户审美偏好在不同领域间具有一致性,利用美学偏好作为桥梁,将用户在辅助域中的审美偏好和用户项目交互信息迁移到目标域中,从而缓解目标域中数据稀疏问题,提升目标域推荐性能。最后在两个公开数据集上进行了实验,证实了该方法的有效性。（3）从混合方法和跨领域两个角度出发,提出了一种混合非结构化文本的跨领域深度推荐方法。该方法将辅助域中用户项目交互信息迁移到目标域中并混合目标域中非结构化文本信息,从两个角度来缓解目标域数据稀疏性问题,提升推荐性能。我们在两个真实数据集上进行实验,验证了该方法的有效性。（4）基于提出的两种跨领域推荐方法,我们实现了一个服装跨领域推荐系统。该系统通过对用户行为记录分析并结合本文提出的方法,为用户提供个性化推荐。