随着现代科技的飞速发展,互联网广告投放也在全球普及。点击率(Click-Through-Rate, CTR)预估是互联网广告投放的核心问题,通过使用机器学习方法,充分利用广告系统日志中的数据进行预测,计算出用户对候选广告点击概率的大小,从中选出被用户点击的概率较大的广告展示给用户。逻辑回归模型是常用的机器学习方法之一,但是逻辑回归是一个线性模型,不能学习到数据中的非线性特征信息,而且逻辑回归模型参数较多,容易造成过拟合的问题,这给广告点击率预估问题带来了困难。本文在充分调研点击率预估问题常用机器学习模型的前提下,将深层神经网络模型应用于广告点击率预告问题中,据我调研文献之后所知学术界当前的研究还没有涉及到这种方法。本文主要做了以下几个工作：(1)对实验数据进行了分析与处理,针对数值连续型特征进行离散化,针对类别型特征直接使用One-hot Encoding进行特征编码。(2)用Python编程实现逻辑回归模型的代码模块,并使用该模型进行广告点击率预估问题的实验,实验结果作为基准与深层神经网络模型的结果对比。(3)调研深层神经网络模型,用深层神经网络模型为广告点击率预估问题建模。针对神经网络模型进行特征设计,并分别选取了Sigmoid与Relu两种激活函数进行实验。本文实验基于开源机器学习平台Petuum中的深层神经网络模块,使用的数据来自于广告公司Cretio的实际数据。