现在最流行的深度神经网络分为两种:一种是处理空间分布数据的卷积神经网络，另一种是处理时间分布数据的循环神经网络。它们的结构特点，都与无尺度网络有着密不可分的关系。
1.卷积神经网络
卷积神经网络可以用来做图片识别 它对图片的分析方法和我们分析无尺度网络一样要抓住枢纽节点。比如在一个分辨猫和狗的识图软件中,每一层神经网络都需要处理一种能把它们明显分开的特征 比如对脸部的分析, 再把处理任务进一步细化, 交给下一层去处理, 比如瞳孔的粗细, 直到最后一层处理单个像素。整个神经网络就是把区别猫和狗的任务拆解成许多任务,一层一层处理, 抓住枢纽节点, 刻画重要特征。
2.循环神经网络
循环神经网络可以用来做文字翻译, 最新的应用就是“神经网络翻译”。 过去的机器翻译是把一句话里的字词做切分以后逐个翻译再拼凑起来，经常出错。但是神经网络翻译会把一整句话看成表达完整意思的网络,进行整体分析。每一个字词作为枢纽节点的同时会寻找前后文中常见搭配的关键字词 寻找邻近的枢纽节点, 从而区分出整句话中文定的重更性差异，把握住语句的基本结构和修饰性成分,从而实现更准确的翻译。神经网络翻译的错误率, 比原来的机器翻译降低了55%到85%。
