目前深度机器学习应用程序使用的典型模型，主要分为卷积神经网络模型、深度信任网络模型、堆栈自编码网络模型3种：

卷积神经网络模型：基于视觉结构启发构建，这种模型可基于神经元之间的局部连接和分层组织图像转换，这种机器学习模型是目前性能较好的模型；

深度信任网络模型：这是一种由多层随机隐变量组成的模型，上面两层有无向对称连接，下面的层则来自上一层的自顶向下的有向连接，最底层的单元状态输入可见数据向量；

堆栈自编码网络模型：此结构与深度信任网络模型的结构类似，差别在于其机构单元为自编码的模型，一般自编码的模型是一个两层的神经网络。

构建深度机器学习应用程序的模型一般分为以下步骤：

收集数据：收集标本数据可采用制作网络爬虫从网站中提取数据，也可从 RSS 反馈或 API 中获取数据；若想更快获取数据，可直接从公开数据中提取。

准备输入数据：检查数据格式符合要求后，将标准数据格式融合算法和数据源，以完成数据匹配。

分析输入数据：将收集、输入的数据进行人工分析，确保文本编辑器打开数据文件，并确认生成的数据不为空。

训练算法：将数据输入算法，并从中提取需要的信息测试算法：测试算法的运行状况，看输出的结果是否满足，若有问题，则可以返回前面的步骤

机器学习作为一个多领域的交叉学科，主要以人工智能技术为核心，目前已成为继人工智能以后的又一研究领域，基于学习形式的不同可以分为监督学习和非监督学习两类，机器学习的技术研究成果已经广泛应用于数据挖掘、自然语言处理、医学诊断等不同领域，机器学习技术的研究方向主要围绕以下3方面进行：

面向任务的研究：主要是分析研究如何改进一个特定任务的执行效率

认知模型：研究人类学习进程以及进行计算机模拟的过程

理论分析：基于技术理论探索学习方法和应用领域的更多算法