В статье представлены основные черты технологии глубокого обучения, дан сравнительный анализ обычного машинного и глубокого обучения. Рассмотрены вопросы применения глубокого обучения в искусственных нейронных сетях. Отмечено важное значение алгоритмов глубокого обучения для эффективной обработки больших данных. Приведены примеры использования алгоритмов глубокого обучения в таких областях фундаментальных и прикладных наук, как физика высоких энергий и астрофизика, информатика, компьютерные науки, наукометрия, геосейсмика, биометрия, медицина. Отмечено, что глубокое обучение обеспечивает повышение эффективности научных исследований, ускоряет процесс получения научных результатов, приводит к увеличению их точности. В заключение подчеркнута важная роль глубокого обучения в повышении результативности науки, включая ее фундаментальную и прикладную составляющие.