现有的序列推荐模型在整合属性信息时未能同时考虑噪声干扰和属性信息的利用率，无法充分有效融合属性信息进而影响推荐性能。针对此问题提出一种基于多门控网络属性信息融合的序列推荐模型。该模型通过在注意力机制中考虑属性信息的值向量来提高属性信息的利用率，此外，将门控机制引入到前馈神经网络中来降低噪声的影响。首先，给定用户的历史交互物品序列，通过嵌入层生成物品表征及其对应的属性信息表征。其次，经过解耦表征融合注意力机制，从多个表征中生成融合属性信息的混合表征；然后，通过多门控前馈神经网络中的多个门控线性结构对混合表征进行噪声过滤，以提取更为精确的混合表征；最后，从混合表征中得到用户的最终表征，用于物品预测和属性信息预测任务以提高模型推荐性能。在beauty、sports和toys这三个公共数据集上进行实验测试，与效果较好的基线模型相比，该模型在recall@20指标上分别提升了1.40%、1.76%和1.24%,在NDCG@20指标上分别提升了3.50%、3.48%和2.01%。实验结果表明，所提模型能够在减少噪声干扰的同时提高属性信息的利用率，从而有效提升推荐的性能。