深度自動編碼器由兩個對稱的深度置信網絡組成，其中一個深度置信網絡通常有四到五個淺層，構成負責編碼的部分，另一個四到五層的網絡則是解碼部分。
這些層都是受限玻爾茲曼機（RBM）（注：也可以采用自編碼器預訓練？），即構成深度置信網絡的基本單元，它們有一些特殊之處，我們將在下文中介紹。以下是簡化的深度自動編碼器架構示意圖，下文會作具體說明。
處理基准數據集MNIST時，深度自動編碼器會在每個RBM之后使用二進制變換。深度自動編碼器還可以用於包含實數數據的其他類型的數據集，此時編碼器中的RBM可以改用高斯修正變換。
編碼
讓我們用以下的示例來描繪一個編碼器的大致結構：
784 (輸入) ----> 1000 ----> 500 ----> 250 ----> 100 -----> 30假設進入網絡的輸入是784個像素（MNIST數據集中28 x 28像素的圖像），那么深度自動編碼器的第一層應當有1000個參數，即相對較大。 （注意這里的解釋：首層的擴張！）
這可能會顯得有違常理，因為參數多於輸入往往會導致神經網絡過擬合。
在這個例子當中， 增加參數從某種意義上來看也就是增加輸入本身的特征，而這將使經過自動編碼的數據最終能被解碼。
其原因在於每個層中用於變換的sigmoid置信單元的表示能力。sigmoid置信單元無法表示與實數數據等量的信息和差異，而補償方法之一就是擴張第一個層。
各個層將分別有1000、500、250、100個節點，直至網絡最終生成一個30個數值長的向量。這一30個數值的向量是深度自動編碼器負責預定型的前半部分的最后一層，由一個普通的RBM生成，而不是一個通常會出現在深度置信網絡末端的Softmax或邏輯回歸分類輸出層。
解碼
這30個數值是28 x 28像素圖像被編碼后的版本。深度自動編碼器的后半部分會學習如何解碼這一壓縮后的向量，將其作為輸入一步步還原。
深度自動編碼器的解碼部分是一個前饋網絡，它的各個層分別有100、250、500和1000個節點。 層的權重以隨機方式初始化。
定型細節
在解碼器的反向傳播階段，學習速率應當降低，減慢速度：大約取在1e-3和1e-6之間，具體取決於處理的是二進制數據還是連續數據（分別對應區間的兩端）。
應用案例
圖像搜索
如上文所述，深度自動編碼器可以將圖像壓縮為30個數值的向量。
因此圖像搜索的過程就變成：上傳圖像，搜索引擎將圖像壓縮為30個數值，然后將這個向量與索引中的所有其他向量進行比較。
包含相似數值的向量將被返回，再轉換為與之匹配的圖像，成為搜索查詢的結果。
數據壓縮
圖像壓縮更廣泛的應用是數據壓縮。正如Geoff Hinton在這篇論文中所述，深度自動編碼器可用於語義哈希。
主題建模和信息檢索（IR）
深度自動編碼器可用於主題建模，即以統計學方式對分布於一個文檔集合中的抽象主題建模。
這是沃森等問答系統的一個重要環節。
簡而言之，集合中的每篇文檔會被轉換為一個詞袋（即一組詞頻），而這些詞頻會被縮放為0到1之間的小數，可以視之為詞在文檔中出現的概率。
縮放后的詞頻被輸入由受限玻爾茲曼機堆疊構成的深度置信網絡，而受限玻爾茲曼機本身就是一種前饋式反向傳播自動編碼器。這些深度置信網絡（DBN）通過一系列sigmoid變換將文檔映射至特征空間，從而把每篇文檔壓縮為10個數值。
每篇文檔的數值組，即向量會被引入同一個向量空間，測量它到其他各個文檔向量的距離。彼此接近的文檔向量大致上可以歸為同一個主題。
例如，一篇文檔可能是“問題”，而其他的文檔可能是“回答”，軟件可以通過在向量空間中測量距離來完成這樣的匹配。
代碼示例
深度自動編碼器可以通過拓展Deeplearning4j的MultiLayerNetwork類來構建。
代碼大致如下：
final int numRows = 28; final int numColumns = 28; int seed = 123; int numSamples = MnistDataFetcher.NUM_EXAMPLES; int batchSize = 1000; int iterations = 1; int listenerFreq = iterations/5; log.info("Load data...."); DataSetIterator iter = new MnistDataSetIterator(batchSize,numSamples,true); log.info("Build model...."); MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder() .seed(seed) .iterations(iterations) .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT) .list(10) .layer(0, new RBM.Builder().nIn(numRows * numColumns).nOut(1000).lossFunction(LossFunctions.LossFunction.RMSE_XENT).build()) .layer(1, new RBM.Builder().nIn(1000).nOut(500).lossFunction(LossFunctions.LossFunction.RMSE_XENT).build()) .layer(2, new RBM.Builder().nIn(500).nOut(250).lossFunction(LossFunctions.LossFunction.RMSE_XENT).build()) .layer(3, new RBM.Builder().nIn(250).nOut(100).lossFunction(LossFunctions.LossFunction.RMSE_XENT).build()) .layer(4, new RBM.Builder().nIn(100).nOut(30).lossFunction(LossFunctions.LossFunction.RMSE_XENT).build()) //編碼停止 .layer(5, new RBM.Builder().nIn(30