互联网的蓬勃发展带动了社会的整体变迁,使社会生产力得到快速发展。互联网与传统行业的结合改变了人们的生活方式,已成为人们生活中不可或缺的一部分。对于互联网公司来说,广告变现是公司赖以生存的手段之一。点击率预估是广告变现的重要环节,其效果直接影响广告投放的成功率。行业内对点击率预估问题最为常见的评价指标为AUC（Area Under Curve）。它能直观地反映出广告点击率预估的效果:AUC值越大,说明广告点击率预估效果越好。因此,如何提升广告点击率预估模型中AUC的值是学术界与工业界普遍关注的问题。本文通过对广告点击率预估模型的研究结果进行总结,发现现有的广告点击率预估模型存在以下问题。第一,现有的深度学习点击率预估模型如DCN（Deep&Cross）、NFM（Neural Factorization Machines）、Deep FM（Deep Factorization Machine）等注重于捕捉特征的交互而忽略了特征本身的重要性。第二,随着深度学习模型网络层的增加,模型的训练难度就会加大,导致模型训练效果不佳,一些模型如NFM、DCN尝试引入归一化方法进行改进,但不够深入。在此背景下,本文通过对前沿深度学习点击率预估模型进行研究,考虑了特征重要性的因素,提出了一种新的基于特征重要性的点击率预估模型,并将归一化方法作用于该模型。本文的主要内容包括以下几方面:（1）对点击率预估模型和归一化方法的相关技术进行研究和分析,并在此基础上对现有的点击率预估模型及ECA模块的相关知识进行详细阐述。（2）针对现有的点击率预估模型忽略了特征交互前特征的重要性问题,本文提出了基于特征重要性的点击率预估模型EPBi NET。该模型由Embedding层、ECANET网络层、Bi-Interaction层、Product层以及DNN网络构成。该模型通过Embedding层将特征转变为低维稠密的嵌入向量,之后利用ECANET网络层动态学习特征的权重,并将得到的权重与原嵌入向量做乘积得到新的带权重的向量。然后通过Bi-Interaction层、Product层以及DNN网络进行特征的交互,捕捉高阶特征。在两组公开数据集上,通过对比实验验证得到的EPBi NET模型效果在AUC指标上优于实验对比模型。（3）针对现存点击率预估模型对于归一化方法的应用研究较少,本文探索了归一化方法应用于点击率预估模型的Embedding层与MLP部分上的效果,并在点击率预估中提出了一种批层归一化（ABLN）。该方法结合了批归一化（Batch Normalization,BN）与层归一化（Layer Normalization,LN）两种方法的特性,通过自适应的方式自动选取合适的归一化方法。本文通过大量的实验对比,发现归一化方法应用于点击率预估模型的Embedding层与MLP部分都可以提升原有模型的效果,且ABLN方法作用于模型的Embedding层与LN方法作用于MLP部分的方式能够大幅度地提高点击率预估模型的AUC。