广义线性模型是非寿险精算的标准模型,广泛应用于非寿险费率厘定和准备金评估。在索赔频率预测中,常用的广义线性模型有泊松回归模型和负二项回归。虽然广义线性模型有着很好的模型解释力,但是其并不能很好的反映数据之间的复杂关系。而神经网络模型有比较好的模型效果,可以很好的揭示数据之间的复杂关系。本文的主要目标是将GLM（Generalize Linear Model）与神经网络模型结合,获得更好预测效果的同时也使模型具有解释力。本文先介绍多个索赔频率模型并针对模型变量选择问题建立LassoGAMLSS（Generalized Additive Models For Location,Scale And Shape）模型,然后将多个深度学习神经网络引入到非寿险精算中,基于实际车险数据的分析结果表明,神经网络的模型效果要优于传统索赔频率的模型效果。基于上述结果,将广义线性模型与神经网络模型结合,引入CANN（Combined actuarial neural network）模型。因为GAM（Generalized Additive Models）比广义线性模型有着更好的拟合效果,所以将其扩展为广义可加模型的CANN。又因为CNN（Convolution Neural Network）模型能够自动选择变量,在变量多的情形下有好的模型效果,所以将其扩展为CNN的CANN模型。为了提高CANN模型的解释力,本文提出了基于深度学习神经网络修正GLM残差的集成模型。先从理论的角度进行研究,说明相关集成模型的优点,接着建立集成模型。首先利用广义线性模型对损失数据进行初步预测,计算预测值与观测值的残差。将多个神经网络模型对损失数据进行预测,选择结果相对较好的几个模型以及模型的最优参数。以损失影响因素为自变量以及残差为因变量,建立改进BP（Back Propagation）、DNN（Deep Neural Network）和CNN模型进行残差拟合,接着使用深度神经网络的残差预测值对广义线性模型的预测值进行修正就得到了预测结果。基于集成的思想,从残差修正模型中选择合适的模型建立两种集成模型。第一种集成方法是对残差修正模型使用DNN模型进行集成,第二种集成方法是对预测模型使用线性回归模型进行集成。通过实证研究发现,残差修正模型比广义线性模型的效果好,同时与神经网络模型的结果相差不大,集成模型的效果比单个残差修正模型的效果好,第二种集成方法比第一种集成方法效果更好。由此得到的集成模型在提高车险索赔频率预测效果的同时还保留了传统GLM模型的解释力。