针对拍卖过程中计算效率低、利益分配不合理的问题，提出了一种基于深度学习的迭代双边拍卖算法。该算法通过买卖双方的初始报价数据训练基于神经网络的最优资源分配模型，并调用训练后的模型对实时报价数据做出快速响应，直接求解经纪人最优分配问题（BAP），实现计算资源的分配，大大降低了计算量，提高了算法的计算效率。进一步，针对利益分配不合理的问题，在迭代双边拍卖框架的支出规则和收入规则中引入调整因子，调整买卖双方的利益，解决现有算法下社会福利最大化过程中利益分配不合理的问题。实验结果验证了该算法的有效性和优越性。它在运行时间、社会福利、买方利益、卖方利益和经纪人利益等方面明显优于现有的迭代双边拍卖算法