随着互联网与智能移动设备的普及,各类应用平台的层出不穷引发了数据规模的爆炸式增长,在海量的产品中实现精准投放成为互联网平台获益的关键。提前对用户下一次的点击行为进行预测就显得尤为重要,点击率预测任务因其可用于评估用户点击产品的可能性的特点,目前已广泛部署在许多在线推荐和广告平台中。针对点击率数据特征学习的模型可分为两类:以学习线性特征组合进行预测的浅层模型（例如,梯度提升树）,以及通过对复杂的稀疏特征的相关性进行建模的深度模型（例如,Deep FM）。鉴于这两类单模型存在对数据单边学习的缺陷,最近的一些工作提出将这两种模型融合在一起进行预测。这些融合模型试图将第一类模型学到的中间结果输入第二类,或者依靠额外的集成技术融合两个独立训练的模型输出。这些融合方法并未有效地考虑不同模型可以捕获数据的不同特征的特点以及不同模型学习能力的差异,所以无法获得最佳的预测准确性。为了更好地对点击率数据特征进行学习,挖掘特征之间的交互关系,本文提出了两种新的融合机制:一种是基于联合训练的点击率预测融合模型,一种是基于残差学习的点击率预测融合框架。首先研究了基于联合训练的点击率预测融合模型。以多任务学习为依托的联合训练思想可以让融合模型同时关注到多种问题,进而使两种不同类模型在训练过程中共享信息的挖掘,提高预测准确率的同时解决单模型单边学习的缺陷。实验中训练目标函数同时作用于两类模型,并且对于损失函数的组合权值可进行手工调整,以获得最佳融合方式。三个数据集上的实验最终可以证明联合训练这种思想是可以应用在融合点击率预测单模型的工作中,并且该模型相对于其它现有的一些融合模型具有一定的进步性,点击率预测效果有所提高,但是仍有提升空间。其次研究了基于残差学习的点击率预测融合框架。本框架的关键思想是,首先训练一个模型（例如GBDT）,然后让第二个模型（例如Deep FM）学习第一个模型无法准确预测的残差部分。该框架的合理性在于:由于这两种模型的预测能力是互补的,因此第二个模型更容易学习第一个模型无法很好地捕获的剩余输出。实验证明本文所提出的基于残差网络思想的点击率预测框架在预测准确性上具有大幅度的提升,并且更容易以更快的收敛进行训练。在三个公开数据集上的大量实验结果也证明了该框架的具备很好的提升效果。