深度学习已经成为人工智能领域一大热门方向，主要的思想就是如何根据人类大脑的特征构建出类似人类达到的学习架构。由于人类的大脑拥有数十亿神经元，因而如何利用神经网络模型模拟人类大脑即为深度学习的主要目标。这里主要给出在学习deep learning中的一些有用的资料。
在学习深度学习之前，熟悉基本的数学知识以及机器学习的基础知识是必要的。具体包括：线性几何、概率论与统计、凸优化理论（学术研究必会）以及多变量微积分。这些数学课本遍地都是，就不做推荐。至于机器学习，首要推荐的是Andrew Ng的notes和video（百度一下一大把，尤其是其中的SVM，讲解的特别形象与透彻，比原作者的详细多了）。俄亥俄州立的视频也不错。想搞理论的同学可看下Statistical Pattern Recognition这本书以及Pattern Recognition and Machine Learning这本书。
下面是深度学习这一块，研究方向很多。基础的可以看一下深度学习大神Bengio的Learning Deep Architectures for AI（都说是基础，其实不太好理解，没办法多看几遍吧）。除此之外，不少博客也讲的很清楚（不过都是基础）。这里有一本书也不错，
http://neuralnetworksanddeeplearning.com/chap1.html
深度学习的网站
deeplearning.net
斯坦福的深度学习资料
http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
纽大LeCun教授的公开课
http://cilvr.cs.nyu.edu/doku.php?id=courses:deeplearning2014:start
下面是几篇关于deep learning for computer vision的几篇论文（百度一下下载），精选
salient object detection（显著物体检测）
Deep Learning for Object Saliency Detection and Image Segmentation
SuperCNN A Superpixelwise Convolutional Neural Network for Salient Object Detection
Saliency Detection by Multi-Context Deep Learning
Image Classification（图像分类）
Convolutional-Recursive Deep Learning for 3D Object Classification
ImageNet Classification with Deep Convolutional Neural Networks
Learning Convolutional Feature Hierarchies for Visual Recognition
Going deeper with convolutions（google的）
OK，够看一阵子的了。