深度学习主要使用以下技术：
神经网络：
神经网络是深度学习的核心，它模拟大脑的神经元连接方式，通过不同的层次（输入层、隐藏层、输出层）进行数据的传递和变换。每一层的输出会作为下一层的输入，逐层抽象出数据的特征。
卷积神经网络（CNN）：
CNN是一种特殊的神经网络，适用于处理图像数据。它通过卷积层对输入图像进行卷积运算，提取图像的局部特征，例如边缘、纹理等。然后通过池化层对特征进行降维，减少计算量。最后通过全连接层将特征映射到输出空间，得到图像的分类或回归结果。
循环神经网络（RNN）：
RNN是一种适用于处理序列数据的神经网络。它通过循环层对输入序列进行逐个处理，并将每个时刻的输出传递给下一个时刻。RNN可以解决一些传统机器学习算法难以解决的问题，例如语言建模、机器翻译等任务。常用的RNN包括长短时记忆网络（LSTM）和门控循环单元（GRU）。
注意力机制：
注意力机制是一种用于调整神经网络模型对输入信息的关注度的技术。它可以帮助模型在处理序列数据时，更加关注重要的部分，从而提高模型的性能。
生成对抗网络（GAN）：
GAN由生成器和判别器两部分组成，通过两者之间的对抗训练，生成器可以生成越来越逼真的数据，判别器则努力提高自己的鉴别能力。GAN在图像生成、序列生成等领域有广泛应用。
深度信念网络（DBN）：
DBN是一种由多个限制玻尔兹曼机（RBM）堆叠而成的深度神经网络。DBNs的成功训练为深度学习的复兴奠定了基础，并引入了非监督学习进行预训练的方法，改善了深度神经网络的训练效果。
GPU加速技术：
GPU加速技术在2007年左右得到了广泛应用，极大地提高了深度学习模型的训练速度，推动了深度学习的研究和应用。
反向传播算法：
反向传播是一种计算函数偏微分的方法，用于训练神经网络。通过计算输出层与真实值之间的误差，并将误差反向传播到各个隐藏层，逐层调整权重，以最小化误差。
深度学习框架：
目前常用的深度学习框架包括TensorFlow、PyTorch、Keras等。这些框架提供了丰富的工具和库，使得深度学习模型的开发和训练变得更加高效和便捷。
建议根据具体的应用场景和需求选择合适的深度学习技术和框架，以便更好地解决实际问题。