El movimiento colectivo de las especies biológicas tiene características robustas y flexibles. Dado que el individuo del grupo biológico interactúa con otros vecinos de manera asimétrica, lo que significa que la interacción por pares presenta características asimétricas durante el movimiento colectivo, construir el modelo de interacción por pares del individuo sigue siendo un desafío. Basado en la tecnología de aprendizaje profundo (DL), se analizan datos experimentales del movimiento colectivo en peces para construir un modelo de interacción individual con entrada de múltiples parámetros. Primero, se diseña una estructura de Red Neuronal Profunda (DNN) para la interacción por pares. Luego, se obtiene el modelo de interacción mediante un entrenamiento adecuado de la DNN. Proponemos una nueva estrategia de selección de vecinos clave, llamada método de Selección de Presión Visual Más Grande (LVPS), para abordar la interacción con múltiples vecinos. Basado en la información del vecino clave identificado por LVPS, el individuo utiliza el modelo DNN debidamente entrenado para la interacción por pares. En comparación con otras estrategias de selección de vecinos clave, las propiedades estadísticas del movimiento colectivo simulado por nuestro modelo DNN propuesto son más consistentes con las de los experimentos con peces. La simulación muestra que nuestro método propuesto puede extenderse al movimiento colectivo de grupos a gran escala para el control de agregación. De este modo, el individuo puede aprovechar información local bastante limitada para lograr colaborativamente un movimiento colectivo a gran escala. Finalmente, demostramos el movimiento colectivo de robótica en un plataforma experimental. El método de control propuesto es simple de usar, aplicable a diferentes escalas y rápido en cálculos. Por lo tanto, tiene amplias perspectivas de aplicación en los campos del control de multi-robótica, sistemas de transporte inteligente, ataques de clúster saturados y logística de múltiples agentes, entre otros campos.