数据集太小，数据样本不足：

当数据集缺乏足够的样本时，深度学习算法可能无法发挥其优势，因为深度学习通常需要大量的数据来进行训练和优化。

数据集没有局部相关特性：

深度学习在图像、语音和自然语言处理等领域表现较好，因为这些领域具有局部相关性。例如，图像中的像素组成物体，语音信号中的音位组合成单词，文本数据中的单词组合成句子。如果数据集缺乏这种局部相关性，深度学习算法可能无法有效处理。

低成本或低承诺问题：

对于许多日常预测问题，深度学习的费用可能没有意义，即使调整小型网络，投资回报率也可能太低。此外，有些情况下，模型的准确性虽然高，但解释性不强，这在某些应用场景中可能是一个重要考虑因素。

破坏性检查：

深度学习不适合用于需要保证全数良品的情况，例如用于破坏性检查的任务。

产量大且不能进行全检时：

在产量大且无法进行全检的情况下，深度学习可能不是最佳选择，因为深度学习模型通常需要大量的计算资源来进行训练和推理。

总结来说，深度学习在处理大规模、高维度且具有明显局部相关性的数据集时表现最佳。对于数据量小、缺乏局部相关性或对计算资源要求极高的场景，深度学习可能不是最合适的技术选择。