近年来深度学习广泛应用于各领域,但深度学习中网络结构的有效选择与调优仍然面临着巨大的挑战。目前,选择网络结构主要根据准确率、先验知识,如专家经验等,需要大量的时间和具备专业的知识。作为深度学习常用的模型之一,栈式自编码(SAE),因其包含两个学习阶段,从而基于先验知识的方法很难有效地选择其网络结构。本文中,我们提出了一种基于数据复杂度的SAE网络结构选择的方法。数据复杂度(Data Complexity,DC)通过描述数据的几何分布特性来度量分类问题的困难程度,被广泛应用于特征分析和分类器选择。本文通过DC量化网络隐含层特征的判别能力,验证了DC较低的网络结构能够取得更好的泛化能力,进而提出了在SAE无监督阶段基于DC选择网络结构的有效方法和有监督阶段基于DC正则的模型优化策略。实验验证了我们的方法明显优于基于准确率选择网络结构的方法,且基于DC正则的策略能有效加快模型收敛的速度。我们可以通过调整已有模型的网络结构来满足存储需求或提升性能。参数剪枝、编码等调优网络结构的策略,被广泛应用于大型网络的结构压缩中,但训练大型网络的时间成本很高。可视化网络隐含层特征能有效调优图像识别模型的网络结构,但对于某些应用,网络隐含层可视化不具有意义,且准确率不能有效地评估模型的表现差异,以至于调优网络结构十分困难。本文中,我们基于在线广告点击率预估的深度学习模型进行研究,通过分析网络隐含层特征泛化能力与网络结构调优之间的关系,提出了基于DC的全连接网络(FCN)结构调优的有效方法。同时,我们研究了卷积神经网络(CNN)学习广告无自然序特征的模型,结合CNN网络结构与特征之间的关系,提出了多特征序的生成方法并应用于CNN网络结构调优。实验结果表明基于DC的方法调优的网络结构模型在性能上取得了明显的提升。