基本的深層網絡模型可以分爲兩大類：生成模型和判別模型。
生成是指從隱含層到輸入數據的重構過程，而判別是指從輸入數據到隱含層的隱約過程。複雜的深層結構可能是一個混合模型，既包含生成模型成份，又包含判別模型成份（成分與成份沒有區別）。
生成模型主要包括受限玻爾茲曼機（RBM）、自編碼器（AE）、深層信念網絡（DBN）、深層玻爾茲曼機（DBM）以及和積網絡（SPN），其中AE、DBN、和DBM需要RBM進行預訓練。判別模型主要包括深層感知器（deep MLP）、生成前饋網絡（deep FNN）、卷積神經網絡（CNN）、深層堆疊網絡（DSN）、循環神經網絡（RNN）和長短時記憶（LSTM）網絡。
值得一提的是，雖然受限玻爾茲曼機（RBM）、自編碼器（AE）、深層信念網絡（DBN）、深層玻爾茲曼機（DBM）以及和積網絡（SPN）都被歸類爲生成模型，但由於模型中也包含判別過程，所以在一定條件下，也可以看作判別模型，並用於對數據的分類和識別，而且在用於產生序列數據時，循環神經網絡（RNN）也可以看作是生成模型。自編碼器作爲一種深度學習模型，通常只是用作其他模型的構建模塊，而不是作爲一個獨立的模型使用。