针对深度信念网(Deep　belief　network,DBN)学习连续数据时预测精度较差问题,提出一种双隐层连续型深度信念网.该网络首先对输入数据进行无监督训练,利用连续型传递函数实现数据特征提取,设计基于对比分歧算法的权值训练方法,并通过误差反传对隐层权值进行局部寻优,给出稳定性分析,保证训练输出结果稳定在规定区域.利用Lorenz混沌序列、CATS序列和大气CO_2预测实验对该网络进行测试,结果表明,连续型深度信念网具有结构精简、收敛速度快、预测精度高等优点.