L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux artificiels composés de nombreuses couches pour résoudre des tâches complexes. Cette méthode permet à la machine d'apprendre des représentations hiérarchisées directement à partir des données, sans qu'un expert humain n'ait à expliciter les règles. Bien que ses fondations théoriques remontent aux années 1940, son développement a connu plusieurs cycles de désillusion, appelés « hivers de l'IA ». Il connaît un essor fulgurant à partir des années 2010 grâce au développement de la puissance de calcul des cartes graphiques, à l'abondance des données (Big Data) et des investissements privés et publics importants, notamment de la part des géants du Web. Cette technologie est à l'origine d'avancées majeures dans des domaines variés comme la vision par ordinateur ou le traitement automatique du langage naturel. Cependant son déploiement présente des défis techniques et sociétaux, les modèles profonds souffrant souvent d'un manque d'explicabilité (modèle « boîte noire ») et nécessitant des ressources énergétiques colossales pour l'entraînement et le déploiement des modèles les plus massifs. Leur développement pose aujourd'hui des questions éthiques et juridiques allant de litiges relatifs à la propriété intellectuelle à la prolifération de la désinformation (hypertrucage).