随着互联网技术的快速发展及广泛普及,越来越多的广告活动逐渐从线下转换到线上。目前,互联网广告中的展示广告的一种主要投放渠道是通过实时竞价系统(Real Time Biding,RTB)投放。在RTB中,需求方平台需要对每个到来的广告曝光机会,按照广告活动投放规则计算其竞标价格,竞标价格将直接决定该广告是否能被投放,因此是RTB中的一个关键问题。作为一种新颖的广告投放方式,RTB中的许多关键算法还存在较大的优化空间,本论文将针对面向展示广告的实时竞价系统,特别是其中的出价问题展开研究。本论文首先针对预算受限下的出价问题展开研究,将其建模为一个预算约束受限下的收益最优化问题,然后分别针对其中的点击率预测模型以及预算管理框架下的出价函数两方面展开研究。在点击率预测模型方面,本论文提出一个基于张量和深度学习的点击率预测模型,该模型首先将点击率预测涉及到的三个方面的特征建立为三阶张量,通过笛卡尔乘积得到三元特征组合;然后利用多项式回归方法学习每个特征的隐含向量和权重;最后利用学习得到的隐含向量和单个特征的权重作为深度神经网络的输入,重新基于训练集学习点击率预测模型。在RTB的出价算法和预算管理方面,本论文设计了一个基于历史成交价格和失败竞标价格的中标率预测模型,从而有效提升了需求方平台出价算法的有效性。此外考虑到每个广告活动在其投放周期内的预算有限,为了使得广告活动在每个时段都能平滑地投放,本论文还设计了一个基于时段广告流量和中标率的广告预算的预分配和实时调整方案。点击率预测模型在iPinYou的数据集上对提出的点击率预测模型进行了性能评估,并将其与目前主要的预测模型的性能进行了对比分析,结果表明本文提出的预测模型的AUC指标比因子分解机的预测提升了2.7%,比逻辑回归预测提升了3.8%。而基于iPinYou的大规模实验表明,按照本文提出的中标率预测模型的出价算法,其获得的用户点击数比提升了2.8%。在本文提出的预算管理框架下,用户点击数比不采用预算管理提升了8%。