人工智能时代的到来,催生了学者们对深度学习技术研究的热潮。深度学习通过对已有知识进行推理分析和学习总结,在目标检测、自然语言处理、机器翻译以及推荐系统等领域取得了巨大的成功,解决了很多领域内的疑难问题。虽然深度学习发展至今已经取得了瞩目的成绩,但是传统的深度学习模型仍然存在一些问题。一是传统的深度学习模型是基于向量空间的,无法直接对信息-物理-社会系统（CPSSs）中的混合异构数据建模,而是将这些异构数据转化成向量再建模。虽然这种向量化的方式也可以奏效,但是却没有将数据之间的潜在关联关系考虑在内,降低了数据的利用率。二是传统的深度学习模型在训练过程中存在隐私泄露的问题,这对于一些敏感数据而言,一旦泄露之后将会对个人甚至国家带来无可估量的威胁或财产损失,甚至涉及到生命安全问题。因此,针对上述两个问题开展的主要研究内容如下:针对传统的深度学习模型无法直接对CPSSs系统中的多源异构数据进行建模的问题,利用张量对异构数据的表征能力,与传统的深度学习模型有机结合,提出了两种深度计算模型。一是在传统的循环神经网络模型的基础上,将张量与之结合,提出了循环深度计算模型。二是在张量自编码器和深度卷积计算模型的基础上,将二者结合并加入了张量特征融合层,提出了混合深度计算模型。同时,对这两种模型分别设计了沿时间的高阶反向传播算法和混合的高阶反向传播算法,用来对模型的训练。针对深度计算模型在训练过程中存在的隐私泄露问题,在提出的循环深度计算模型的基础上,将差分隐私保护技术相结合,进一步提出了差分隐私的循环深度计算模型。对此,设计了基于差分隐私的沿时间高阶反向传播算法,并证明了所提出的方法满足差分隐私的性质,同时也分析了算法的可用性。针对所提出的三个模型,分别在多个数据集上进行了实验验证,实验结果表明所提出的模型和算法是有效的。