深度学习通过多层特征提取方式,可以将原始复杂数据自动表征为高级抽象特征,该方法具有很强的建模能力,在模式识别、语音识别、自动驾驶、人机对弈、计算机视觉、自然语言处理等高维复杂问题上都取得了突破性的进展。但深度学习由于网络层数深,参数规模庞大,训练时常常会产生梯度消失,陷入局部最优解,过度拟合等现象。基于深度学习结构的模型普遍存在着,需要提供大量的数据用于模型训练;训练技巧性要求高,否则训练难以收敛,或难以达到较好的结果;涉及到的参数以及超参数多,并且需要大量的人工干预等困难。集成学习方法将多个相互之间具有独立决策能力的弱监督模型,按照某种策略产生并联合起来得到一个更好更全面的强监督模型。虽然传统的集成学习的表现可圈可点,但是仍然存在许多问题,如从整体上来看,集成学习仍是浅层模型,如何将深度模型与集成学习结合仍有待解决。在本篇论文中,我们借鉴集成学习的思想,提出一种新颖的深度共享集成网络,该网络通过在深度学习各隐藏层引出多个独立输出层的联合训练的方式,在网络的各层注入梯度,对低层隐藏层进行梯度补给,从而降低深度学习中的梯度消失现象,并通过集成多输出层的方式使得整个网络拥有更强的泛化性能。相比于传统的集成学习算法,通过共享隐藏层集成的方式,深度集成网络可以极大的减少训练参数的数量,节约训练周期。并且该方法还可以轻松的扩展为深度共享卷积集成网络以及深度共享循环集成网络等常用的深度学习模型。在元模型不变的情况下,深度共享集成方法可以普遍提高模型1%~3%的泛化性能。