随着互联网以及大数据技术的飞速发展,广告行业发生了颠覆性的变革,从传统的广播、电视广告逐渐转向能够实现精准投放的互联网广告。点击率预测是互联网广告实现精准投放的关键,与用户体验的满意度以及广告商的经济收益息息相关,因此得到了业界研究者们的高度关注。目前,基于深度学习的点击率预测模型研究已成为该领域的主流趋势,已有的研究虽然取得了较好的成果,但仍存在以下不足:（1）深度模型通常采用三层或四层的前馈神经网络来探索高阶特征交互信息,但随着网络层数的增加会出现梯度消失、退化等问题,从而限制模型性能的提升;（2）用户兴趣是提高点击率预测性能的关键,现有模型通常采用LSTM、GRU等门控神经网络来提取用户历史行为序列数据中潜在的用户兴趣,但这些网络存在序列依赖关系,无法实现并行化处理,因此模型训练效率低;（3）用户兴趣会随着内外部因素的变化而发生转移,而用户兴趣的变化过程直接影响用户后续的行为,但现有深度模型较少考虑用户兴趣变化对点击率的影响。针对问题（1）,本文利用内积与哈达玛积的混合积交互方式探索低阶的组合特征信息,并将门控机制引入残差网络中,分别设计了密集门控残差网络和跳跃门控残差网络以缓解前馈神经网络存在的问题,在此基础上构建相应的门控残差网络模型。为了进一步增强模型探索特征交互信息的能力,本文利用门控策略自适应地融合这两个门控残差网络模型,构建了门控残差网络融合模型。在Ipinyou数据集上进行的数值实验结果表明本文所提出模型的预测性能均优于现有主流预测模型。针对问题（2）和问题（3）,本文提出了基于用户行为序列的分层注意力预测模型。该模型首先构建了一种具有辅助损失函数监督的Transformer网络来提取用户历史行为序列数据中潜在的用户兴趣,旨在提高模型的训练效率以及捕捉更有效的用户兴趣。在此基础上,本文结合注意力机制的局部激活特性以及最小门控单元（MGU）的序列建模特性,构建了一种带有注意力输入的最小门控单元（AIMGU）来激活与目标广告相关的兴趣并建模用户兴趣的演化,从而获得更精准的用户兴趣特征。最后,本文将用户兴趣特征与广告等其它特征进行拼接,分别输入密集门控残差网络和跳跃门控残差网络中进一步探索高阶特征交互信息。在Amazon数据集上进行的数值实验验证了本文所提出模型的优越性。