深度学习是基于数据表示的一类更广的机器学习方法,它的出现不仅推动了机器学习的发展,而且促进了人工智能技术的革新。近年来,人们提出了深度学习的许多衍生模型。本文主要研究了深度学习的几种典型模型,并将其应用在温度推测中,主要工作如下。分别研究了深度学习的无监督学习和监督学习模型。首先讨论了受限玻尔兹曼机、深度置信网络、深度玻尔兹曼机、自编码器、稀疏自编码器、降噪自编码器等无监督学习模型,并详细探讨了其结构、原理和优缺点。其次研究了以卷积神经网络、循环神经网络和深度堆叠网络为典型代表的监督学习模型,并评价与分析了它们的模型架构、工作原理和优缺点。对比分析了深度学习的几种典型模型,并将神经网络、深度置信网络和卷积神经网络模型应用在手写体数字识别任务中。首先研究了dropout技术和权重衰减策略对神经网络模型的影响。其次讨论了学习率和epoch对深度置信网络模型的影响。最后探讨了学习率和epoch对卷积神经网络模型的影响。实验结果表明这两种深度学习模型比传统的神经网络具有更好的逼近性能。将神经网络、深度置信网络、堆叠降噪自编码器和卷积神经网络模型分别应用到温度推测中。首先,构建了以温度为研究对象的神经网络模型,讨论了隐层神经元个数、隐层层数、dropout技术和权重衰减策略对神经网络模型性能的影响。在最佳隐层和隐层神经元个数下,采用dropout技术时,神经网络模型对温度的推测性能更优。其次,分别建立了深度置信网络和堆叠降噪自编码器模型,讨论了隐层层数和隐层神经元个数对实验结果的影响。然后,针对多台站的温度数据集,建立了卷积神经网络模型,实验结果表明该模型具有更好的推测性能。最后比较了上述四种模型的推测结果,它们均取得了较好的推测性能。