El aprendizaje profundo consiste en aprender las leyes inherentes y los niveles de representación de los datos de muestra. La información obtenida durante estos procesos de aprendizaje es de gran ayuda en la interpretación de datos como textos, imágenes y sonidos. A través del método de aprendizaje profundo, las características de la imagen se aprenden de forma independiente y se realiza la extracción de características, lo que simplifica enormemente el proceso de extracción de características. Utiliza tecnología de aprendizaje profundo para capturar el movimiento de los jugadores de voleibol y realiza el reconocimiento y la clasificación de los tipos de movimiento en los datos. Encuentra las características y deficiencias de las habilidades de remate de los jugadores de voleibol actuales al comparar los datos de prueba de las habilidades de remate de 8 jugadores de voleibol y el análisis biológico. Los resultados muestran que los remates delanteros y traseros con tecnología de doble brazo tienen diferencias técnicas muy obvias. En la etapa de despegue, no hubo diferencias significativas en el tiempo de amortiguamiento, el tiempo de patada inicial y el tiempo de despegue en los clavos de la fila delantera y trasera del tipo A. El tiempo de amortiguamiento de la espiga tipo B es de 0,26 s en la fila delantera y de 0,44 s en la fila trasera. El rango de movimiento del remate de la fila delantera es mayor que el rango de movimiento del remate de la fila trasera. En la etapa de golpe aéreo, el rango de acción del remate de la fila de atrás es mayor que el del remate de la primera fila, pero el rango de acción de la fila de atrás es mayor que el del remate de la primera fila.