深度学习模型中的正则化技术包括L1正则化、L2正则化和dropout等方法。正则化技术的作用是减少模型的过拟合，通过限制模型的复杂度和参数的大小，提高模型的泛化能力。L1正则化通过增加模型的稀疏性，促使部分权重为0，达到特征选择的效果；L2正则化通过惩罚过大的权重，减小模型的复杂度。dropout通过随机丢弃神经元，减少神经元之间的依赖关系，降低模型的过拟合风险。这些正则化技术对模型的影响是提高模型在新样本上的预测性能，减少模型对训练集的过度拟合。