传统电视行业在计算机技术的发展下已完成智能化升级,智能电视使得用户可以方便快捷地享受视频服务;与此同时互联网规模的不断扩大使得数据量与日俱增。如何从繁多的视频资源中快速且准确地发掘出用户感兴趣的视频,是当前智能电视的视频服务提供方所面临的一大问题。作为解决“信息过载”问题的一种手段,推荐系统通过分析用户的行为,在物料库中做筛选,可以帮助用户发现自己的潜在兴趣。准确、及时的视频推荐系统可提升用户满意度,增强用户使用粘性,并最终提高智能电视厂商的市场效益。目前基于离线批处理平台的推荐系统,虽然可以通过分布式计算在全量数据下得到较为准确的推荐结果,但推荐算法模型更新的时间太长、实时性差导致难以及时把握用户兴趣转换;另外基于深度学习的推荐算法相较于传统的机器学习推荐算法虽然表现更好,但运行模型服务时所需的计算资源也更多,云计算架构下的推荐系统越来越难以承受众多用户频繁的推荐请求。为解决以上问题,本文设计并实现了智能电视场景下的视频实时个性化推荐系统,以混合流水线的形式,将推荐流程分为召回、粗排和精排三个阶段,在云端流计算集群实现推荐的召回（Matching）和粗排（Pre-ranking）阶段,并创新性地将精排（Ranking）阶段在智能电视设备端实现。本文所设计的系统依据功能实现主要分为推荐模块、存储模块、数据收集模块和展示模块:（1）针对推荐模块,本系统在云端搭建了基于Flink流处理的分布式大数据计算平台,并通过此平台实现了召回阶段和粗排阶段。其中,召回阶段基于ALS算法求解矩阵分解实现;粗排阶段采用FTRL在线学习的方式实时更新逻辑回归模型,并使用批流结合的训练方式改善系统的冷启动问题,以此加快模型上线时间。在精排阶段,基于嵌入式AI技术,融合行为历史序列与用户属性,设计并实现基于用户行为序列的深度神经网络模型SBDNN（Sequential-Based Deep Neural Network）。并将其部署在智能电视端侧,通过模型本地推断的方式做实时推荐,减轻云端计算压力。此外,设计端上精排模型的局部更新策略,减轻云端下发模型更新包时的网络资源消耗。（2）针对存储模块,使用基于文档的关系数据库MongoDB和基于内存的键值数据库Redis分别提供持久化存储和缓存。其中MongoDB持久化存储用于训练的全量数据,Redis缓存召回阶段和粗排阶段的推荐结果。（3）数据收集模块方面,通过Flume日志采集工具和Kafka消息缓冲队列获取用户行为,用于云端的推荐业务响应和推荐算法训练。（4）展示模块方面,系统在云端搭建了用于流计算集群状态监控和推荐算法评估指标统计展示的Web服务,并在智能电视设备端实现了用于精排阶段业务展示的可视化程序。本文对传统的智能电视视频推荐系统做了架构上的优化与升级,划分功能模块并搭建了完整的推荐平台。通过实验验证,所设计实现的智能电视视频实时推荐系统在保证预测准确度的情况下,具有较强的实时性,系统整体有较高的应用价值。