人工神經網絡（Artificial Neural Networks，簡寫爲ANNs）也簡稱爲神經網絡（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網絡行爲特徵，進行分佈式並行信息處理的算法數學模型。這種網絡依靠系統的複雜程度，通過調整內部大量節點之間相互連接的關係，從而達到處理信息的目的。
神經元網絡是機器學習學科中的一個重要部分，用來classification或者regression。思維學普遍認爲，人類大腦的思維分爲抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。
邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串行模式進行邏輯推理；這一過程可以寫成串行的指令，讓計算機執行。然而，直觀性的思維是將分佈式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點：1.信息是通過神經元上的興奮模式分佈存儲在網絡上；2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網絡就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分佈式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行爲卻是極其豐富多彩的。
模擬人腦思維方式的神經網絡是個很有趣的分類算法，對於複雜度比較大的分類問題提供了一個相對簡單的解決方案。
神經網絡的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：
1、生物原型：
2、建立模型：
3、算法：
4、應用
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，逐漸形成了一個新興的多學科交叉技術領域，稱之爲“神經網絡”。神經網絡的研究涉及衆多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
人工神經網絡首先要以一定的學習準則進行學習，然後才能工作。現以人工神經網絡對手寫“A”、“B”兩個字母的識別爲例進行說明，規定當“A”輸入網絡時，應該輸出“1”，而當輸入爲“B”時，輸出爲“0”。
所以網絡學習的準則應該是：如果網絡作出錯誤的判決，則通過網絡的學習，應使得網絡減少下次犯同樣錯誤的可能性。首先，給網絡的各連接權值賦予(0，1)區間內的隨機值，將“A”所對應的圖象模式輸入給網絡，網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。在此情況下，網絡輸出爲“1”和“0”的概率各爲50%，也就是說是完全隨機的。這時如果輸出爲“1”(結果正確)，則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能作出正確的判斷。
人工神經網絡也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網絡因學習方式及內容不同可具有不同的功能。人工神經網絡是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分爲兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標準進行分類或模仿；另一種是無監督學習或稱無爲導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境
（即輸入信號情況）而異，系統可以自動發現環境特徵和規律性，具有更近似人腦的功能。
神經網絡就像是一個愛學習的孩子，您教她的知識她是不會忘記而且會學以致用的。我們把學習集（Learning Set）中的每個輸入加到神經網絡中，並告訴神經網絡輸出應該是什麼分類。在全部學習集都運行完成之後，神經網絡就根據這些例子總結出她自己的想法，到底她是怎麼歸納的就是一個黑盒了。之後我們就可以把測試集（Testing
Set）中的測試例子用神經網絡來分別作測試，如果測試通過（比如80%或90%的正確率），那麼神經網絡就構建成功了。我們之後就可以用這個神經網絡來判斷事務的分類了。
神經網絡是通過對人腦的基本單元——神經元的建模和聯接，探索模擬人腦神經系統功能的模型，並研製一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。神經網絡的一個重要特性是它能夠從環境中學習，並把學習的結果分佈存儲於網絡的突觸連接中。神經網絡的學習是一個過程，在其所處環境的激勵下，相繼給網絡輸入一些樣本模式，並按照一定的規則（學習算法）調整網絡各層的權值矩陣，待網絡各層權值都收斂到一定值，學習過程結束。然後我們就可以用生成的神經網絡來對真實數據做分類。