人工神经网络既是一种基本的人工智能研究途径，也是一种非常重要的机器学习方法。 有些学者把人工智能狭义地理解为物理符号系统，而把人工神经网络与人工智能并列起来。 人工神经网络也与模拟信号处理及模拟电子计算机有着深厚的渊源。现在发展的趋势越来越 倾向于把人工神经网络系统和物理符号系统融合在一起，发挥各自优势。
神经网络可以泛指生物神经网络，也可以指人工神经网络。人工神经网络(Arti-ficial brmrd Network)是指模拟人脑神经系统的结构和功能，运用大量的处理部件，由人工方式建立起来的网络系统。人脑是人工神经网络的原型，人工神经网络是对人脑神经系统的模拟。在人工智能领域中，在不引起混淆的情况下，神经网络一般都指人工神经网络。
人工神经网络的研究内容，主要有五大类，如下：
1.人工神经网络的研究内容
就目前来看，人工神经网络的研究工作主要包括以下几项内容。
(1)人工神经网络模型的研究
人工神经网络模型的研究包括：神经网络原型研究，即大脑神经网络的生理结构、思维机制；对神经元生物特性的人工模拟(如时空特性、不应期、电化学性质等)；神经网络计算模 型与学习算法；利用物理学的方法进行单元间相互作用理论的研究(如联想记忆模型等)。
(2)神经网络基本理论研究
神经网络基本理论研究包括：神经网络非线性特性理论的研究(如自组织性、自适应性 等)；神经网络基本性能的定量分析方法(如稳定性、收敛性、容错性、鲁棒性、动力学复杂性 等)；神经网络计算能力与信息存储容量理论的研究，以及结合认知科学的研究，探索包括感知、思考、记忆和语言等的脑信息处理模型。
(3)神经网络智能信息处理系统的应用
在认知与人工智能方面，包括模式识别、计算机视觉与听觉、特征提取、语音识别、语言 翻译、联想记忆、逻辑推理、知识工程、专家系统、故障诊断和智能机器人等。在优化与控制方面，包括优化求解、决策与管理、系统辨识、鲁棒性控制、自适应控制、并行控制、分布控制和智能控制等。在处理方面，包括自适应信号处理(自适应滤波、时间序列预测、谱估计、消噪、检测、阵列处理)和非线性信号处理(非线性滤波、非线性预测、非线性谱估计、非线性编码、中值处理)。在传感器信息处理方面，包括模式预处理变换、信息集成、多传感器 数据融合。
人工神经网络擅长解决两类同题：一类是对大量数据进行分类，并且只有较少的几种情况；另一类是必须学习一个复杂的非线性映射。
(4)神经网络的软件模拟和硬件实现
在通用计算机、专用计算机或者并行计算机上进行软件模拟，或由专用数字信号处理芯片构成神经网络仿真器。由模拟集成电路、数字集成电路或者光器件在硬件上实现神经芯片。软件模拟的优点是网络的规模可以较大，适合于用来验证新的模型和复杂的网络特性。
硬件实现的优点是处理速度快，但由于受器件物理因素的限制，根据目前的工艺条件，网络规模不可能做得太大。仅几千个神经元，但代表了未来的发展方向，因此受到人们的特别重视。
神经网络计算机的实现包括计算机仿真系统。专用神经网络并行计算机系统，例如，数字、模拟、数-模混合和光电互连等。人工神经网络的光学实现和生物实现等。
人工神经网络的特点
(1)人工神经网络具有大规模的并行协同处理能力
每一个神经元的功能和结构都很简单，但是由大量神经元构成的整体却有很强的处理能力
(2)人工神经网络具有较强的容错能力和联想能力
单个神经元或者连接对网络整体功能的影响都比较微小。在神经网络中，信息的存储与处理是合二为一的，信息的分布存放在几乎整个网络中。所以，当其中某一个点或者某几个点被破坏时，信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。当然这并不是 说对于训练好的网络可以任意修改。不过由于信息的分布存放。所以对某些网络来说，当它完成学习后(即训练好之后)；如果再让它学习新的东西，就会破坏原来已学会的东西。
(3)人工神经网络具有较强的学习能力
神经网络的学习可分为有教师学习与无教师学习两类。由于其运算的不精确性，故表现 出“去噪声、容残缺”的能力。利用这种不精确性，可比较自然地实现模式的自动分类。其具 有很强的泛化能力与抽象能力。
(4)人工神经网络是一个大规模自组织、自适应的非线性动力系统
人工神经网络具有一般非线性动力系统的共性，即不可预测性、耗散性、高维性不可 逆性、广泛连接性和自适应性等。
