深度学习允许多个处理层的计算模型以模拟大脑如何感知和理解多模态信息来学习和表示数据，从而隐式地捕捉大规模数据的复杂结构。深度学习是一个丰富的方法家族，包括神经网络，层次概率模型，和各种无监督和监督特征学习算法。最近对深度学习方法的兴趣激增，是因为它们在一些任务中表现得比之前的最先进的技术更好，以及来自不同来源(如视觉、音频、医疗、社会、传感器等)的丰富复杂数据。

与此同时，机器学习的最新进展给工程领域的许多感兴趣的领域带来了巨大的发展。数据驱动或面向领域的工程应用可以极大地促进算法、优化方法、融合技术、新硬件和网络架构的发展。我们已经取得了巨大的进步，但仍然存在重大挑战，我们必须进一步了解深度学习方法的优势和局限性。

本期特刊将提供一个论坛，介绍深度学习在工程应用方面的新研究，重点是最先进的方法，如卷积神经网络(CNN)、递归神经网络(RNN)、深度受限波尔兹曼机器(RBM)、深度信念网络(DBN)、长短期记忆(LSTM)、自动编码器、以及它们的图形模型、稀疏编码和基于内核机的变体。特刊的目的是原创的研究论文，包括新的理论，算法，系统，和新的实现和应用深度学习技术。同时也征求有关性能评估和基准数据集的评论文章。

潜在的主题包括但不限于以下内容:

• 计算机视觉与多媒体分析:目标检测与跟踪、活动识别、异常检测、多媒体标注、分类、检索
• 机器人技术和自动化:机器人抓取和操作，机器人视觉，自动车辆导航和神经机器人
• 遥感与土木与地理空间工程:高光谱图像分类、采矿与施工优化、地震数据处理和城市规划
• 生物医学和神经工程:医学成像、神经成像(MRI、PET)、脑计算机接口、生物、传感器和神经信息学
• 在线社交媒体和大数据分析:社交媒体分析、排名和推荐、事件检测和情感分析、社会认知神经科学应用