学院（部）

土木与交通工程学院

专业学位类别（领域）代码

085410

专业学位类别（领域）名称

085410 人工智能

学位级别

☑硕士 □博士

适用学生类型

☑全日制 □非全日制  

用于留学生

□是 ☑否  

适用年级

从   2026 级开始适用  

制定时间

年 月

修订时间

年 月

一、专业学位类别（领域）简介

（一）专业基本信息

本专业依托学校四十余年信息学科积淀，于2016年牵头建设大数据系统计算技术国家工程实验室，2018年与腾讯共建人工智能学院，2021年入选首批国家现代产业学院，2025年正式成立人工智能学院响应国家战略。秉持   “厚基础、重交叉、国际化”理念，聚焦人工智能基础理论、智能感知与交互、大模型与多模态智能三大方向，构建“AI+多学科”交叉培养体系。以“四维能力”（基础、实践、交叉、创新）为核心，通过双导师制与精英化培养，培育兼具全球视野与产业落地能力的高端复合型人才，服务粤港澳大湾区数字经济发展。

（二）   师资队伍

本专业组建200人规模高水平师资团队，其中专职教师逾百人，核心力量包括中国科学院院士、日本工程院院士等杰出科学家，以及国家级人才、全球高被引科学家、ACM/IEEE Fellow等顶尖学者。师资涵盖人工智能、计算机科学等多学科领域，同时吸纳腾讯、华为等产业技术专家，实现学术科研与工程实践能力互补。团队产出“伶荔说”系列中文大模型、核电巡检机器人等标志性成果，构建了“科研引领教学”的良性循环。

（三）   专业科研平台与资源

构建多层次科研实践平台体系，支撑教学科研开展：

1.国家级平台：拥有大数据系统计算技术国家工程实验室、射频异质异构集成全国重点实验室等核心载体；

2. 省市级平台：联合共建10个人工智能相关科研平台，整合区域创新资源；

3. 校企与算力支撑：与中广核、奇安信等龙头企业共建联合实验室，校内智算中心配备华为昇腾910等先进设备，提供充足算力保障。

（四）科研成果与社会影响

累计承担国家级项目174项（含重点项目15项），获批经费超5亿元，斩获吴文俊人工智能科技进步奖一等奖等多项重量级奖项。教学成果丰硕，获批3门国家级、7门省级一流本科课程。人才培养成效显著，在校研究生发表140余篇CCF-A类顶刊顶会论文，斩获45项国家级学科竞赛奖励。学科排名稳步攀升，2024年CS Rankings全国第22名，2025年US News全球第 47 位，成为人工智能领域重要的人才培养与科技创新基地。

二、培养目标

（一）培养目标

以习近平新时代中国特色社会主义思想为指导，坚持“四为”方针，培养德智体美劳全面发展，具备创造性解决复杂实际问题的能力，能够主导技术创新项目实施、优化行业管理效能，具有国际竞争力和职业发展潜力的高层次应用型人才。

（二）基本要求

1.  应具备的品德素质：具有坚定正确的政治方向，热爱社会主义祖国，拥护中国共产党的领导，掌握马克思列宁主义、毛泽东思想、邓小平理论、“三个代表”重要思想、科学发展观和习近平新时代中国特色社会主义思想的基本原理；遵纪守法，品行端正，诚实守信，身心健康；恪守学术道德和职业道德，具有良好的职业素养、团结合作的精神、创新创业的意识。

2.  应掌握的基本知识：掌握人工智能领域坚实的基础理论和宽广的专业知识，了解该领域的技术现状和发展趋势，具有较强的解决实际问题的能力，能够承担该领域的专业技术或管理工作；掌握科学研究的基本技巧和方法，能较熟练地阅读外文资料，具备开展实务研发、技术交流的能力。

3.  应接受的实践训练：通过丰富的实践训练，掌握人工智能领域的核心技术与应用能力，增强解决复杂问题的实践能力。通过参与项目实习、实验室训练、创新创业实践和跨学科合作，培养实际操作、项目管理、创新思维和团队协作的能力，同时提升国际化视野，增强在全球竞争中应对挑战的能力。

应具备的基本能力：应具备技术创新与应用、问题分析与解决、团队合作与领导、跨文化沟通等核心能力，能够在人工智能领域的专业技术或管理工作中发挥重要作用。通过终身学习的意识和自我提升的能力，持续保持职业发展潜力，在技术变革中引领行业创新，成为具备国际竞争力的高层次应用型人才。

三、培养方向

（一）机器学习与基础模型

本方向聚焦人工智能的基础理论与通用模型体系，研究机器学习范式、基础模型架构与多模态理解等核心问题。重点探索监督学习、无监督学习、因果推理、强化学习等关键算法，关注模型的泛化、可解释、鲁棒与安全等基础科学问题，构建支撑智能计算的理论方法体系。面向大模型与多模态智能的发展趋势，研究大语言模型的表示学习、知识建构与模型演化机制，突破高效预训练、微调、压缩加速与模型对齐等关键技术。面向多模态场景，研究图像、语音、文本、视频等异构数据的表示学习与跨模态语义对齐，为智能决策、内容生成、智能检索等任务提供统一的数据—模型—推理底座。

（二）决策智能与模型可信

本方向聚焦机器在复杂环境中的推理、规划与决策能力，研究从感知信息到行动选择的智能决策全过程。围绕决策智能的核心科学问题，系统探索逻辑与因果推理、序列决策、强化学习、策略优化等方法，构建“理解—推理—选择—行动”决策框架。面向动态、不确定与开放应用场景，研究任务分解、多步骤推理、工具与知识库增强推理等机制，提升智能体在复杂任务中的策略生成能力。在模型可信方面，关注智能决策过程中的安全性、可靠性、可解释性与对齐性，研究行为可控性、异常检测、可信强化学习、对抗鲁棒性等关键技术，构建可验证、可审计的可信决策体系。面向大模型时代的发展趋势，探索“通用基础模型 + 决策智能”融合范式。

（三）智能系统与人机协同

本方向关注人工智能在系统层面的集成、部署与协同运行能力，研究智能体在真实物理环境与交互环境中的运行机制与工程实现。围绕“感知—认知—执行—反馈”闭环体系，研究智能系统架构、实时信息处理、动作控制、资源调度、系统优化与运行可靠性，构建支撑复杂任务的智能系统工程能力。面向人机协作需求，研究多模态交互界面、具身智能体协同、意图识别、共享控制与自适应决策，实现“人—机—环境”协同智能。聚焦“从算法到系统落地”，研究大模型与智能组件在机器人、嵌入式设备、边缘计算与云系统中的部署与优化，探索软硬件协同设计与能效优化技术，推动智能系统可规模化运行。

（四）领域智能与交叉创新

本方向面向人工智能在关键领域的深度应用与跨学科融合，依托管理科学、经济学、生物医学工程、教育学、城市与空间科学、土木、光学与核能等优势学科，探索人工智能在复杂社会系统中的创新应用机制。重点面向数字经济、健康中国、智慧城市与教育数字化等重大需求，研究智能优化与治理、医疗影像分析与健康管理、金融科技与风险控制、数字孪生城市与教育智能体等关键技术，推动产业与公共服务智能化转型。在数智经济方向，研究智能决策支持、经济预测与产业治理创新；在医疗健康方向，突破辅助诊断、疾病预测与康复机器人等技术；在城市与教育方向，构建空间智能计算、智能学习环境与教育决策模型。

四、学制与最长学习年限

全日制硕士研究生学制为3年，最长学习年限不超过5年。

五、培养方式

（1）采用校内导师负责、校内外导师协同指导与集体培养相结合的模式。校内导师为研究生培养第一责任人，围绕人工智能核心技术与科研规范提供全过程、精准指导；校外导师原则上从人工智能、数字经济、医疗健康、智慧城市、智能制造等领域的行业专家中遴选，重点指导研究生开展工程实践、数据应用、模型部署与职业发展规划。学院和学位点在培养方案制定、课程学习、专业实践、综合考核、学位论文开题、中期检查与（预）答辩等关键环节实行集体培养与质量监控，保障研究生科研能力与工程能力协同提升。

（2）课程学习主要在校内完成，基于人工智能学院课程体系，通过理论讲授、数据实验、案例研讨、系统仿真等方式，使研究生系统掌握机器学习、基础模型、决策智能、智能系统等专业知识。专业实践依托实践基地、科研平台或企业项目开展，引导研究生进入真实业务与数据环境，参与大模型微调、智能系统开发、算法部署等工程任务。学位论文研究应与实践需求同步推进，以行业真实问题为驱动，形成“问题发现—方法设计—模型构建—系统验证”闭环，提升研究的实际贡献度与可应用。

（3）积极推进学院与企业联合培养，与人工智能头部企业、科研机构和行业龙头单位建立协同育人机制，通过共建实践基地、联合科研、交叉指导、企业导师进课堂、行业数据共享、场景验证与模型优化等方式，形成覆盖招生、培养到就业的全流程协同育人体系。鼓励研究生与企业联合开展大模型训练与压缩、多模态应用开发、智能决策系统构建、隐私计算与安全风控、智慧医疗与城市智能治理等研究，推动人才培养与人工智能产业需求精准对接。

课程类别学分及门数要求

总学分：32； 必修：（最低学分10）；   选修：（最低学分10）； 必修环节：（最低学分8）； 自修：（最低学分4）

课程设置

课程类别

课程编号

课程中文名称

学分

总学时

开课学期

考核方式

备注

必修

06560

机器学习

3

36

第一学期  

考试

06873

研究方法与论文写作指导

1

12

第一学期  

考试

0806037

通识英语（专硕）

2

24

第一学期  

考试

1106009

自然辩证法概论

1

12

第二学期  

考试

1106010

新时代中国特色社会主义理论与实践

2

24

第二学期  

考试

CW5029

工程伦理

1

12

第二学期  

考试

选修

MSE5005

管理理论与实证

2

24

第一学期  

考试

MSE5006

财务实证研究

2

24

第一学期  

考试

MSE5008

高阶金融衍生产品

2

24

第二学期  

考试

MSE5016

资产定价与公司金融

3

36

第二学期  

考试

03472

城市空间大数据分析

1

12

第一学期  

考试

03477

数据挖掘与量化投资

2

24

第一学期  

考试

03593

人工智能前沿技术

2

24

第一学期  

考试

03596

下一代互联网技术

2

24

第一学期  

考试

03597

强化学习理论与应用

2

24

第二学期  

考试

03602

生物信息学

2

24

第二学期  

考试

03603

人机混合增强智能

2

24

第一学期  

考试

03604

人工智能安全

2

24

第二学期  

考试

03608

深度学习

2

24

第一学期  

考试

03609

模式识别

2

24

第一学期  

考试

03610

数据挖掘

2

24

第一学期  

考试

03611

大模型理论与实践

2

24

第一学期  

考试

03614

计算智能

2

24

第一学期  

考试

03626

现代密码学

2

24

第一学期  

考试

03808

机器学习理论与应用

2

24

第二学期  

考试

ONG5001

光电检测原理及技术

2

24

第二学期  

考试

ONG5303

光纤光学

2

24

第一学期  

考试

EDU 5 364

教育原理

2

24

第一学期  

考试

CW5110

城市数据分析

2

24

第一学期  

考试

EDU5206

智能教育研究进展

2

24

第一学期  

考试

EDU5209

教育数据挖掘

2

24

第三学期  

考试

EDU5212

智能教育课程设计与开发

2

24

第二学期  

考试

EDU5214

学习科学前沿研究

2

24

第二学期  

考试

06309

智能检测与控制技术

2

24

第一学期  

考试

06311

MEMS传感器技术与应用

2

24

第一学期  

考试

06316

可靠性与系统工程

2

24

第一学期  

考试

06323

蒙特卡洛方法及其应用

2

24

第一学期  

考试

06365

智能教育项目规划与设计

2

24

第一学期  

考试

06366

教育中的认知与神经科学

2

24

第一学期  

考试

06382

计算机视觉

2

24

第二学期  

考试

06384

辐射防护与剂量学

2

24

第二学期  

考试

06443

优化理论与应用

2

24

第二学期  

考试

06463

低碳建筑

2

24

第一学期  

考查

06491

无人载具感知与定位

2

24

第二学期  

考查

06506

核燃料性能分析

2

24

第一学期  

考试

06511

核反应堆物理分析

2

24

第一学期  

考试

06566

随机过程

2

24

第一学期  

考试

06569

计算机前沿技术

2

24

第一学期  

考试

06572

生成式人工智能及应用

2

24

第一学期  

考试

06580

博弈论导论

2

24

第一学期  

考试

06584

并行处理与体系结构

2

24

第二学期  

考试

06585

并行算法实践

2

24

第一学期  

考查

06618

智能图形

2

24

第一学期  

考试

06619

高级数字图像处理

2

24

第一学期  

考试

06620

几何建模与处理

2

24

第一学期  

考试

06621

数据可视化

2

24

第一学期  

考试

06622

人机协同计算

2

24

第二学期  

考试

06623

软件质量与安全技术

2

24

第一学期  

考试

06624

复杂系统与复杂网络

3

36

第一学期  

考试

06625

数值计算方法

3

36

第一学期  

考试

06627

软件规范与验证

2

24

第一学期  

考试

06628

软件项目管理

2

24

第一学期  

考试

06629

智能信息处理与优化

2

24

第一学期  

考试

06630

高级图像和视频压缩

2

24

第二学期  

考试

06631

智能量化交易

2

24

第一学期  

考试

06632

系统软件原理与实践

2

24

第一学期  

考试

06633

嵌入式系统

2

24

第一学期  

考试

06634

云计算技术及应用

2

24

第一学期  

考试

06635

区块链及应用

2

24

第一学期  

考试

06636

无线网络技术

2

24

第一学期  

考试

06637

高级计算机网络

2

24

第一学期  

考试

06638

网络安全理论与技术

2

24

第一学期  

考试

06675

视觉情感计算

2

24

第二学期  

考试

06741

最优化计算与工具

2

24

第一学期  

考试

06742

人工智能与创新

2

24

第一学期  

考试

06743

高阶运筹学

3

36

第一学期  

考试

06744

智能健康管理

2

24

第一学期  

考试

06745

数据挖掘与创新创业案例研讨

1

12

第一学期  

考试

06746

交叉学科前沿讲座

2

24

第二学期  

考试

06799

交通监检测数据分析

2

24

第一学期  

考试

06825

离散数学及应用

2

24

第二学期  

考试

06840

高等核反应堆热工分析理论与实践

2

24

第二学期  

考试

06853

现代导航定位技术

2

24

第二学期  

考试

06863

算法设计与分析

2

24

第一学期  

考试

BME5201B

医学图像处理与应用

3

36

第一学期  

考试

BME5221B

医学细胞动物工程学

3

36

第一学期  

考试

BME5102B

医学统计学（生工专硕）

3

36

第一学期  

考试

2406224

脑机智能与神经工程

2

24

第一学期  

考试

2406228

智能可穿戴技术

2

24

第一学期  

考试

2406295

高等工程数学

3

36

第一学期  

考试

ONG5310

机器视觉及应用

2

24

第二学期  

考试

ONG5311

生物医学光学

2

24

第一学期  

考试

UIS5007

计算机视觉与实时摄影测量

2

24

第一学期  

考查

UIS000

地理空间智能（GeoAI）导论

2

24

第二学期  

考查

UIS2

数据可视化与智能交互

2

24

第二学期  

考查

UIS3

建筑智能前沿

2

24

第二学期  

考查

3206176

城市空间分析技术与应用

2

24

第二学期  

考查

TE5044

智能交通系统

2

24

第一学期  

考试

AIEC5001

数字经济学

2

24

第一学期  

考试

AIEC5002

计量经济数据科学

2

24

第一学期  

考试

AIEC5004

人工智能与行为实验

2

24

第二学期  

考试

AIEC5006

人工智能与社会政策评估

2

24

第二学期  

考试

AIEC5007

人工智能与人力资本

2

24

第二学期  

考试

AIEC5008

人工智能与商业创新

2

24

第二学期  

考试

AIEC5009

时空大数据与空间计量经济学

2

24

第二学期  

考试

AIEC5010

自然语言处理

2

24

第二学期  

考试

必修环节

CTP5096

行业前沿讲座

0.5

6

第四学期  

考查

CTP5097

实验室安全教育

1

12

第一学期  

考查

06485

学术道德与学术规范

0.25

3

第一学期  

考查

06486

心理健康教育

0.25

3

第一学期  

考查

06487

专业实践

5.5

66

第五学期  

考查

06488

综合考核

0.5

6

第五学期  

考查

自修

06482

学术训练：阅读、报告

1

12

第五学期  

考查

06483

高端学术论坛

2

24

第五学期  

考查

06484

前沿交叉学术沙龙

0.5

6

第五学期  

考查

06817

逻辑学系列讲座

0.5

6

第五学期  

考查

八、 培养环节及考核要求

（一）制定个人培养计划

（1）内容及考核要求：研究生入学后的两个月内在导师及导师组的指导下，完成系统上个人培养计划中除课程学习外其它主要内容的撰写。个人培养计划应符合专业培养方案的总体要求，内容包括研究方向、课程学习、必修环节（学术道德与学术规范教育、专业实践、综合考核等）、科学研究及学位论文等方面的安排和要求。个人培养计划纸质文档由学院（部、研究院）保存。研究生应完成个人培养计划所列的课程学习任务，参加专业实践，通过必修环节考核，完成学位论文。

（2）考核方式：考查

（二）必修环节

1、学术道德与学术规范教育

（1）内容及考核要求：在新生入学教育周期间集中开展学术规范、学术道德以及学术诚信教育活动，并在入学后的第一学期组织研究生深入学习《高等学校科学技术学术规范指南（第二版）》。完成上述学习任务者，视为通过学术道德与学术规范教育必修环节考核；未完成者，应当重新学习直至完成为止，否则将无法获得此必修环节学分。

（2）考核方式：考查

2、心理健康教育

（1）内容及考核要求：在新生入学教育周同步开展心理健康教育工作，并在入学后的第一学期内组织研究生参加至少 1 次心理健康教育讲座，帮助研究生树立正确的心理健康意识，优化心理品质，增强心理调适能力以及对校园生活的适应能力。完成上述学习任务者，视为通过心理健康教育必修环节考核；未完成者，应当重新学习直至完成为止，否则将无法获得此必修环节学分。

（2）考核方式：考查

3、实验室安全教育

（1）内容及考核要求：开展实验室安全教育，制定实验室准入制度，组织研究生参加实验室安全教育培训与考核，促使其提高安全意识、遵守操作规范、掌握应急处理技能等。

（2）考核方式：考查

5、开题报告

（1）内容及考核要求：培养单位在进入论文阶段前，建立“前沿引领、工程牵引、过程约束、质量把控闭环”的开题管理体系。研究生须完成不少于10篇近3年人工智能领域高质量前沿文献的精读（顶会/高影响期刊优先），并形成系统化文献综述与技术对比分析，内容覆盖研究问题定义、代表性技术范式、最新技术指标差距分析、数据集特点、以及工程应用中的关键挑战与局限性等。导师团队将从“综述覆盖的全面性、技术内涵理解的准确性与深度、工程问题抽象与建模能力”三个核心维度进行前置评价与打分，达到培养门槛要求者方可提交开题申请；未达标者不得进入正式开题阶段。

在开题答辩与评审阶段，学位论文选题须直接对应人工智能具体方向（如机器学习、基础模型、智能系统或领域智能），并给出清晰的工程问题描述与当前技术缺口（或应用需求差距）论证依据，明确研究的必要性与拟解决的关键技术壁垒。研究方案需进一步落实为可执行、可验证、可复现的技术路线，包括但不限于：模型或系统模块分解、创新贡献逻辑链条、关键算法设计、实验方案构建、数据来源说明（公开/自建/合成路径）、系统对比基线选择、评价指标体系、以及软硬件或外部工程环境的依赖依据等。答辩评审须有企业专家参与。对于交叉学科或工程场景密切相关的论文选题，评审小组成员中人工智能领域专家比例不得低于50%，并从科学规范性、创新程度、工程应用价值与落地可行性等维度进行质询与评审，最终形成明确开题决议。

培养单位将对开题结论与全过程材料进行统一审核、分委员会审议确认，并完成标准化归档管理。开题材料须至少包含：文献综述报告、选题技术与工程依据论证、技术路线方案、实验设计与数据来源说明、论文工作计划与阶段目标安排、评审意见记录、以及选题优化或研究风险控制承诺材料等。首次开题未通过者，须在至少1个月后、6个月内根据评审反馈完成选题调整或方案完善，并重新组织开题答辩；复审阶段着重检查评审意见采纳比例、技术路线优化合理性、实验与工程方案完整性及可实施性。若第二次开题仍未通过，则依据评审小组意见及培养单位具体情况，按照学校相关管理制度进行分流或退学处理，确保学位论文质量与人才培养要求的严肃性。

（2）考核方式：考查

6、行业交流活动

（1）内容及考核要求：行业交流活动形式丰富多样，包括行业峰会、产业论坛、技术博览会、产业前沿讲座、学术讲座、创新创业大赛等。专硕生参加行业交流活动次数不少于4次。行业交流活动考核工作应在申请学位论文答辩前一学期完成，采用研究生提交书面报告、导师签字认可、学位点审核、学院审定的流程进行。考核未通过者，不得申请学位论文答辩，以此保障研究生能够及时、充分了解行业最新动态，提升其实践认知与专业视野，紧密对接行业发展需求。具体行业交流活动要求及认定标准由学生所在学院具体规定。

（2）考核方式：考查

7、专业实践

（1）内容及考核要求：

研究生在学期间应按照培养方案要求完成专业实践，可采取集中实践与分段实践相结合的方式，到校内外实践基地、企（事）业单位、科研院所或政府部门等开展实践锻炼。实践形式包括课程实验、工程实践、项目开发、企（行）业实习、课题研究等多种类型。对具有2年及以上相关企业工作经历的工程类硕士专业学位研究生，专业实践时间累计不得少于6个月；对不具备企业工作经历者，专业实践时间累计不得少于1年。实践过程中，研究生应注重将专业理论知识、工程方法与先进技术相结合，在真实场景中开展问题分析、方案设计、系统实现与效果评估，不断提升解决实际问题的能力和综合工程实践素养。

专业实践考核须在申请学位论文答辩前至少一个学期完成，考核材料包括不少于5000字的专业实践报告、实践单位指导教师评定意见、校内导师评定意见以及学院审批意见等内容。实践考核实行规范化流程管理，考核不合格者不得参加综合考核，也不得进入学位论文答辩程序。

（2）考核方式：考查

8、综合考核

（1）内容及考核要求：学院成立专业学位研究生综合考核领导小组，负责对研究生培养过程进行全面检查与质量监督。综合考核将重点审查研究生个人培养计划的执行情况，考核内容涵盖思想品德、课程学习情况、专业实践能力、论文工作进展以及入学年限等五个方面。综合考核严格依据《深圳大学专业学位研究生综合考核办法》实施，实行规范化、程序化的审核流程。考核结果作为研究生能否进入学位论文答辩环节的重要依据，确保专业学位研究生培养质量和学术规范要求得到有效落实。

（2）考核方式：考查

9、预答辩

（1）内容及考核要求：研究生预答辩工作按照《深圳大学学位授予工作细则》（深大校发〔2025〕94号）执行。在人工智能相关课题的研究内容基本完成、学位论文初稿撰写成型后，研究生可向指导小组提交预答辩申请。

人工智能类论文通常涉及算法设计、模型构建、系统实现、实验验证与数据合规性等内容，研究生应在申请预答辩前完成核心模型的实验结果、程序框架、数据处理流程以及关键技术的可复现性说明。经指导小组审核同意后，学院将组织由具有人工智能领域研究背景的专家组成的预答辩专家委员会，对论文进行学术性与工程性的综合评议。

专家委员会将重点关注选题创新性、方法科学性、实验充分性、算法性能、系统实现质量、数据安全与伦理合规性、开源代码与可复现性等人工智能研究的核心指标，并根据答辩表现给出成绩等级，形成书面意见。

预答辩通过者，可直接向学位点提交学位论文送审申请；未通过者需依据专家意见进一步补充实验、优化方法或完善系统，经指导小组确认后方可再次申请预答辩。通过这一过程，可确保人工智能专业学位论文在理论深度、技术可靠性与工程质量方面达到学位授予要求。

（2）考核方式：考查

10、毕业与学位申请

（1）内容及考核要求：学位论文的撰写按照《深圳大学学位授予工作细则》 （深大校发〔2025〕94号）执行。研究生学位论文答辩及学位授予工作按照《中华人民共和国学位条例》、《中华人民共和国学位条例暂行实施办法》及《深圳大学学位条例实施办法》执行。研究生按培养方案和个人培养计划要求，修满规定学分，通过论文答辩，准予毕业，并根据《深圳大学学位条例实施办法》申请学位。

（2）考核方式：考查

11、学位论文评审

（1）内容及考核要求：预答辩通过的研究生，可申请和参加学位论文评审。交叉学科的学位论文，人工智能领域的评审专家不少于半数。答辩委员会须由本专业领域具有硕士研究生指导资格或具有高级职称的专家组成，其中应有企业专家。根据评审专家意见，评审通过且同意参加答辩者可申请参加学位论文正式答辩。

（2）考核方式：考查

12、正式答辩

（1）内容及考核要求：学位论文评审专家评审通过且同意答辩的研究生可申请参加正式答辩，经所在学院学位评定委员会审批同意，方可参加正式答辩。交叉学科的学位论文，人工智能领域的答辩专家不少于半数。答辩专家委员会评通过者才能申请学位。

（2）考核方式：考查

九、 学位论文要求

创新成果要求：参照学生所在学院的《研究生申请学位创新成果评价标准》文件执行。

学位论文要求：专业学位研究生可以以学位论文或规定的实践成果作为学位申请的主要依据。学位论文是论文作者从事科学研究取得的创造性成果或创新见解并以此为内容撰写的学术论文；申请学位实践成果是作者在专业领域内通过技术应用和实践操作所完成的实践工作成果。

学位论文或申请学位实践成果的基本要求，按照全国教指委有关规定、《深圳大学学位授予工作细则》（深大校发〔2025〕94 号）、及学生所在学院的相关标准等执行。

十、 毕业与学位申请

学位论文的撰写按照《深圳大学学位授予工作细则》   （深大校发〔2025〕94号）执行。研究生学位论文答辩及学位授予工作按照《中华人民共和国学位条例》、《中华人民共和国学位条例暂行实施办法》及《深圳大学学位条例实施办法》执行。研究生按培养方案和个人培养计划要求，修满规定学分，通过论文答辩，准予毕业，并根据《深圳大学学位条例实施办法》申请学位。

十一、参考文献阅读书目

[1]   CSRankings统计涵盖的计算机科学顶级会议，网址：https://mp.weixin.qq.com/s/r1NcjjoTk3SPmvFTUmoRzA

[2] 中国计算机学会推荐的A类和B类国际学术会议和期刊，网址：https://www.ccf.org.cn/Academic_Evaluation/By_category/

[3] 中国计算机学会发布的T1类计算领域高质量科技期刊，网址：https://www.ccf.org.cn/ccftjgjxskwml/

[4] Thomas   H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein, 《Introduction   to Algorithms》，2009

[5] Michael   Sipser, 《Introduction to the Theory of Computation》（3rd Edition），2012

[6] Sanjeev   Arora, Boaz Barak, 《Computational Complexity: A Modern Approach》，2009

[7] 周志华，《机器学习》（第1版），北京：清华大学出版社，2016。

[8] Daphne   Koller, Nir Friedman, 《Probabilistic Graphical Models: Principles and Techniques》，2009

[9]  Ian   Goodfellow, Yoshua Bengio, Aaron Courville, 《Deep Learning》，2016

[10] Andrew   S. Tanenbaum, Maarten van Steen, 《Distributed Systems:   Principles and Paradigms》（2nd Edition），2006

[11] Stephen   Boyd, Lieven Vandenberghe, 《Readings in Database Systems》（6th Edition）

[12] Simon   Peyton Jones, 《How to Write a Great Research Paper》，2018

[13]Trevor   Hastie , Robert Tibshirani , Jerome Friedman, 《The Elements of   Statistical Learning Data: Mining, Inference, and Prediction》，2009