深度学习是机器学习和模式识别中的一个重要领域,它能很好的应用于语言识别,计算机视觉和自然语言处理。在如今大数据时代下,它能成为大数据分析的驱动。数据量越大,深度学习就越会训练的更好。深度学习架构核心是受限玻尔兹曼机,常见的受限玻尔兹曼机的结构有二层对称链接的非自反馈随机神经网络结构和单层反馈网络的结构,包括一般玻尔兹曼机、半受限玻尔兹曼机和受限玻尔兹曼机。近年来通过对微博数据分析用户的心理压力受到了广泛的关注。目前分析微博数据的主要方法是针对纯文本数据,而忽略的图片数据很大程度上也反映了用户心理压力状态。通过多模态的微博数据分析用户的心理压力,其挑战是如何将二个不同模态的数据特征进行统一表示。为了解决上述问题,提出利用基于多模态学习的深度玻尔兹曼机模型(DBM)对微博图片和文本数据进行处理和分析,在模型中能实现文本和图片的低层次特征向稀疏高层次抽象特征的转变,最后用一个联合层表示来自二种不同模态数据的融合特征。此外,该模型发现二种不同模态数据的输入特征处在低层次时是高度非线性的。实验结果证明所提出的方法的有效性。