随着我国金融市场愈发繁荣,人均可支配收入逐渐提高,各式各样的金融产品在人民的日常生活中起着越来越重要的作用。金融产品的风险评估问题受到了人们的广泛关注,如何准确的评估风险和预测风险也成为了市场参与者重要的课题之一。金融领域中常常使用波动率来代表市场的风险值,出现大量的研究对市场波动率进行建模。传统的波动率模型结构简单,拟合范围有限,无法满足日益复杂的市场环境的需求。近年来,深度神经网络模型由于其复杂的结构和广阔的拟合范围受到了大量研究者的青睐,各种结构的深度神经网络如雨后春笋般不断涌现。深度神经网络在众多任务中都取得了非凡的成就,大大推进了人工智能领域的发展。本文将GARCH模型与深度神经网络（DNN）相结合对波动率进行建模。我们将GARCH模型的波动率方程用深度神经网络替代,通过最大似然法确定模型的损失函数,同时使用深度学习中自适应动量估计（Adam）方法对模型参数进行更新。此外,本文的模型采用全连接神经网络和循环神经网络等多种结构的深度神经网络,并使用5折交叉验证选择最优的模型结构。本文在2005年至2019年的上证指数日收益率数据上进行实证研究,展示了基于不同结构的深度神经网络模型与传统GARCH模型的对比。结果证明,基于深度神经网络的波动率模型是传统波动率模型的一种有效改进,在预测波动率的精度上具有更优秀的表现。