排序问题是信息检索和推荐系统等领域的核心问题之一。排序结果的精准度和合理性会直接影响检索和推荐的质量。因此,对排序模型设计和排序结果优化等相关问题的研究具有实用价值。传统的排序方法包括由人工确定排序打分计算公式、基于重要性排序和基于相关性排序等,这些方法存在一定的不足,例如:依赖专家经验、主观性较强,没有综合考虑排序的各项条件因素等。近年来,深度学习成为学术研究的热点方向,取得了一系列瞩目的研究成果。与传统机器学习算法模型相比,深度神经网络模型对于复杂函数的拟合能力更强,同时也具备更强的特征抽取和表示学习能力。随着机器学习技术的发展,使用机器学习算法模型解决排序问题逐渐成为学术界和工业界的主流做法。在此背景下,本文提出了一种基于深度学习的排序模型。论文第一章阐述了课题研究的背景及意义。第二章介绍了深度学习的背景理论和相关技术。第三章分析了目前常用的排序方法的基本原理和相关排序模型中存在的关键问题。第四章介绍了论文的主要研究成果,本文利用Boosting、Stacking等多种模型融合方法,将深度神经网络、逻辑回归和梯度提升树三种基础算法模型进行组合,形成融合模型,并将得到的融合模型用于排序打分,提升了排序的精准度;排序模型采用分层结构设计,兼顾了排序的精准度和计算效率;提出了一种基于循环神经网络模型的历史行为数据编码方法,解决了已有方法存在的特征向量长度不固定、信息丢失等问题。第五章给出了模型的具体设计与实现,提出了基于排序模型的地铁单边交易处理方法,实验结果显示融合模型相比于其他算法模型具有更高的预测准确率,同时基于排序模型的地铁单边交易处理方法也比现有方法更加合理,验证了该排序模型的有效性和实用性。