由加拿大多伦多大学学者G.辛顿（G.Hinton）等人于2006年提出。深度置信网络在MNIST（mixed national institute of standards and technology database； 混合国家标准与技术研究所数据库）手写体字符识别数据集上的表现超越了支持向量机，对学习深度网络的发展有重大意义。

深度置信网络是一个概率生成模型，旨在建立观测数据和数据标签之间的联合分布，由多个限制玻尔兹曼机堆叠而成，靠近第一个可视层的限制玻尔兹曼机通常被贝叶斯信念网络所代替。每个限制玻尔兹曼机包含一个可视层和一个隐含层，层与层之间存在连接，层内节点彼此之间不存在连接。可视层节点既可为二值变量节点也可为实值变量节点。隐含层节点为随机二值变量节点，隐含层节点通过训练可以获得可视层数据所包含的高阶数据相关性，其输出作为下一个堆叠的限制玻尔兹曼机的可视层输入。相比于其他无监督学习深度网络，深度置信网络的应用相对较少。深度置信网络具有良好的拓展灵活性，其拓展变形后的网络模型（如卷积深度置信网络等）正逐渐成为研究热点。