深度学习通过深层网络对数据中的高级抽象进行建模主要依赖以下几个方面：
多层神经网络结构：深度学习使用多层（深层）神经网络，每一层可以学习数据的不同层次的特征。较低层可能学习到简单特征（如边缘、颜色等），而较高层则可以学习到更复杂的抽象特征（如形状、对象等）[1]。
逐层特征学习：深度学习模型通过多层神经网络逐渐学习到越来越抽象的特征表示。这种层级表示学习使得深度学习能够对复杂的数据进行更准确的建模和预测[2]。
非线性变换能力：深度学习网络通过非线性激活函数，能够捕捉和模拟高度非线性的关系，自动从原始数据中学习到高层抽象的特征[3]。
大量数据训练：深度学习模型通常需要大量的数据进行训练，以便网络能够学习到数据中的复杂模式和高级抽象[4]。
端到端学习：深度学习模型能够实现端到端的学习，即直接从原始数据到最终结果的映射，无需人工干预提取特征[5]。
无监督和半监督学习：深度学习模型常采用无监督或半监督学习方法进行训练，这有助于模型学习到数据的内在结构和高级抽象[6]。
参数共享与稀疏表示：深度学习模型通过参数共享和稀疏表示减少模型复杂度，同时保持对数据高级抽象的学习能力[7]。
通过这些机制，深度学习能够自动从大量数据中学习并提取出有用的高级抽象特征，进而对数据进行有效的建模和预测。