深度学习是由人工神经网络 (Artificial Neural Networks) 驱动的一种机器学习方法。它的核心算法模型是人工神经网络模型，也称为“深度学习神经网络”(Deep Learning Neural Networks)。深度学习神经网络是一类由许多神经元层组成的结构，可以从大量数据中学习和提取特征并进行分类或回归预测。
深度学习神经网络的核心思想是通过模拟人脑神经元之间的通信方式来实现机器学习。神经网络中每个神经元都有自己的权重和偏置，这些值在训练过程中不断调整来使得神经网络能够逐步接近目标函数（损失函数）的最小值。而训练过程则是通过大量的数据来不断的调整这些权重和偏置来达到这个目标。因此，深度学习神经网络可以被看作是一种学习从输入到输出之间映射的方式。
深度学习神经网络模型包括了许多不同类型的神经元层，其中最常见的是全连接层、卷积层和池化层。全连接层将输入数据的每个特征与每个神经元连接，通常用于分类问题。卷积层通过应用卷积核来提取不同特征，并且能够保留空间信息，一般用于图像识别等领域。池化层则通过对特征进行降采样来减少计算量和过拟合的风险。
深度学习神经网络除了核心结构外，还有许多技术和算法可以优化模型性能，其中最常见的包括批量归一化、激活函数和 Dropout 等。批量归一化通过对每层的输出进行归一化来加速训练和防止过拟合。激活函数则可以在神经元中引入非线性变换，从而增加网络的表达能力。Dropout 可以随机将某些神经元置零，减少过拟合风险。
近年来，随着对计算资源和数据量的要求日益提高，深度学习神经网络也出现了很多变种和优化算法，例如 ResNet、Attention 机制、Transformer 和 GAN 等等。这些算法的提出都是为了实现更复杂、更高效的深度学习应用。
总的来说，深度学习神经网络模型作为现代人工智能的核心算法，已经在语音识别、图像处理、自然语言处理等多个领域取得了重大的突破，并将持续引领人工智能技术的发展。