为了适应和持续推动人工智能学科和多学科交叉领域的新发展，本书遵循“理论化—典型化—应用化”的思路，秉持以理论学习和工程应用为主要背景论述深度学习基础理论、方法和应用的宗旨，结合团队多年领域研究和课堂教学实践，从深度神经网络的核心结构和原理出发，阐述了典型神经网络及其实际应用。
全书分为四部分，共16章。其中，深度学习理论概述部分(第1章)分析了人工智能的历史、发展与现状；深度学习模型基础部分（第2~8章)从神经网络的基础出发，讨论了人工神经网络的结构、原理、性质与典型应用，并依序详细回顾了反向传播算法、卷积神经网络、自编码网络、Hopfield神经网络、循环神经网络等几类基本网络的功能、结构、算法与典型应用； 深度学习进阶部分（第9~14章)分别对残差网络、生成式对抗网络、深度强化学习、图神经网络、多尺度深度几何网络、Transformer网络进行了介绍；深度学习实战和展望部分（第15和16章)简述了几种深度学习实验平台、工具的实例与方法，并在深度学习总结与展望中对深度学习的发展历程进行了回顾，展望了深度学习未来的发展方向。
本书可用于人工智能、智能科学与技术、大数据科学与技术、智能机器人、电子科学与技术、人工智能技术服务等领域相关专业本科生或研究生的实践教学，也可供相关专业技术人员参考。

第1章绪论
1.1人工智能
1.1.1人工智能
1.1.2人工神经网络与人工智能的区别
1.1.3人工神经网络与人工智能的互补性
1.2机器学习
1.2.1第一次研究高潮
1.2.2第二次研究高潮
1.2.3神经网络：最近30年
1.3深度学习
本章参考文献
第2章神经网络基础
2.1神经元
2.1.1生物神经元
2.1.2McCulloch-Pitts神经元
2.2卷积层
2.3池化层
2.4正则化
……