在大数据时代下,越来越多的数据被捕获,许多新兴数据源（文本数据、图像数据、传感器数据）的出现为公司的分析与利用提供了更广阔的维度。对于保险精算行业来说,数据占据着至关重要的地位,对于数据的分析与使用可以使公司拥有竞争优势,这些新兴数据源可以补充传统数据,从而提供更好的洞察与视野,以实现更精准的预测。但是对于大多数传统的精算模型来说,主要使用结构化的向量数据作为输入,并不能很好地支持这些新兴数据源的使用。本文提出了一个统一的模型框架应用于精算领域。该模型将精算任务分为了两部分,第一部分是面对数据的表征学习模型,第二部分就是传统的用于执行精算任务的预测模型,本文将重点解决面对复杂数据的表征学习模型。通过表征学习模型将复杂数据转化为向量形式的特征,从而可以灵活地应用在精算实务中。本文基于深度神经网络搭建表征学习模型,针对不同数据类型,构建不同的深度神经网络模型。整个表征学习模型分为两部分,第一部分是压缩器,负责将复杂的数据压缩成低维的嵌入表征,而压缩器所得到的结果就是最终用于输入精算模型中的特征;第二部分是预测器,在压缩得到表征之后,需要通过预测器来进行评估,检验表征的性能是否良好。最后以图像数据的表征提取为例,针对传统计算机视觉中的处理方法在精算应用的局限性,对深度神经网络下的表征学习模型进行创新优化,在无监督学习中,提出了优化的卷积自动编码器,在有监督学习中,提出了优化的卷积神经网络结构,在保证模型性能的情况下,同时可以更好地应用在精算模型之中,为精算实践中的图像数据使用,提供了很好的实践模型。