移动互联网的飞速发展使得在线广告的重要性越来越高。作为广告系统中的核心步骤,广告点击率预估是指在给定的场景下,预测用户对展示广告的点击概率。有效的广告点击率预估模型能够为公司带来巨大的收益。如何建立准确、高效、稳定的点击率预估模型是学术界和工业界研究的热点。基于传统机器学习的点击率预估方法在工业界得到广泛的应用,但难以构造隐含的、高阶的组合特征,需要大量的人工特征工程。而目前基于深度学习的点击率预估算法利用因子分解机、多层感知机等结构分别进行浅层和深层的特征交叉,提取高阶组合特征,建立起端到端的点击率预估模型。因此本文对基于深度学习的点击率预估模型进行研究,主要的工作内容分为以下两个方面:（1）针对目前点击率模型进行元素级的特征交叉,只获取了局部的特征组合信息没有明确特征之间的联系这一问题,本文提出一种基于向量级特征交叉的广告点击率预估并行模型（GFICNN）。GFICNN深层结构使用多层宽度为1的卷积神经网络进行全局的向量级特征交叉,得到深层高阶的组合特征。浅层结构为因子分解机模型。然后通过全局平均池化层将深层、浅层模型获取的组合特征融合,得到广告日志最终的特征表示,进而进行点击率预估。本文对Criteo公开日志进行处理,作为实验数据集进行横向对比实验,实验结果表明GFICNN模型相比xDeepFM模型在AUC上提高了 1.1%,Log Loss上降低了 1.3%,训练时间缩短了 11%。并进一步在多个经典点击率模型上研究GAP层的作用,发现使用GAP层能给并行点击率预估模型带来一定的提升。（2）针对在广告冷启动问题研究中新广告数据量不够无法学习有效的嵌入表示的情况,本文提出了基于属性交互的点击率预估模型ICN以及WICN,核心思路是利用曝光度足够的特征属性丰富新广告的嵌入表示。ICN模型总体上分为三部分:嵌入层、属性交互层和特征交叉层。WICN以ICN为基础,在属性交互层添加了权重信息。模型通过属性交互层学习用户与广告属性得到交互特征,然后利用交互特征丰富新广告的嵌入表示,最后通过特征交叉层学习提取高阶的特征组合,进行点击率预测。本文利用AVAZU提供的日志数据构建数据集,进行对比实验,分别在新广告占比为10%、20%、30%的测试集上验证新模型,ICN模型和WICN在构建的三个数据集上AUC均有一定提高,说明模型所提取的属性交互特征能够学习到更精确有效的新广告的嵌入表示。