深度学习的发展是多位研究者长期探索的结果，其核心方法的形成并非由单一人物 “发明”，而是历经数十年理论积累与技术突破的产物。以下从关键人物、核心技术突破及历史背景三个维度，梳理深度学习方法的起源与发展脉络：

一、深度学习的奠基者与关键贡献者

1. Geoffrey Hinton：从神经网络到深度学习的理论突破

• 核心贡献：
  • 20 世纪 80 年代，Hinton 与 David Rumelhart 等人重新引入并完善了反向传播算法（Backpropagation），解决了多层神经网络的参数优化问题，为深度学习的多层结构奠定了训练基础。
  • 2006 年，Hinton 在《Science》发表论文，提出深度信念网络（DBN），通过 “预训练 + 微调” 的方式解决了深层网络训练困难的问题，首次提出 “深度学习”（Deep Learning）概念，标志着该领域的复兴。
• 关键思想：认为多层神经网络可通过 “分层表征” 学习数据的抽象特征，而预训练技术能避免梯度消失问题。

2. Yann LeCun：卷积神经网络（CNN）的开创者

• 核心贡献：
  • 1998 年，LeCun 提出LeNet-5，这是首个成功应用的卷积神经网络，用于手写数字识别（