深度学习是一种人工智能应用，可以让电子计算机通过一系列数据课程的学习，鉴别繁杂的方式和规律，以此来实现各种各样智能化每日任务，如图像识别技术、语音识别技术、自然语言理解和语音识别技术等。
假如我们有一大堆图象数据，每一个源图像也有不同的颜色形状的物体，我们可以用深度学习来编写一个程序，让电子计算机自动检索这种图像中的物体。传统计算机语言需要手动撰写标准，告知电子计算机如何识别这种物体。可是这个方法很繁琐，也很难处理繁杂的状况。
深度学习的办法则是让电子计算机自主学习培训如何识别物体。首先要提前准备一大堆含有物体标签的图象数据，把这些数据导入到一个深度学习网络中。这一网络有许多层，各层都是会对图像进行一些繁杂的解决，进而慢慢抽象出物体的特点。在这过程中，网络中的每一个神经元都会根据输入数据来计算，随后输出一个结论，每一个神经元都会根据上一层神经元输出来计算，再将结论传达给下一层的神经元。
这一过程会一直持续到网络的最后一层，导出最后的结果。在这过程中，每一个神经元权重都会根据具体结论作出调整，如果某神经元输出经常会出现不正确，那么其权重值就会下降；相反如果它的导出常常恰当，那么其权重值也会增加。通过不断地调节权重值，网络就可以慢慢懂得如何识别物体。
深度学习的核心就是使用大量的数据和云计算服务器来练习网络里的主要参数，促使网络可以学到繁杂的方式和规律。此方法的优势是能够处理规模性繁杂的数据，而且在许多每日任务上面可以取得良好的效果。可是深度学习也需要大量云计算服务器和数据，而且需要比较长的练习时间。