人工神经网络是由大量节点相互连接构成的具有信息响应的网状拓扑结构，可用于模拟人脑神经元的活动过程，它反映了人脑功能的基本特性，包括诸如信息加工、处理和储存等过程。到目前为止，已经发现的人工神经网络特征主要有非线性、并行处理和容错性，并具有联想、自学习、自组织和自适应能力。
一、非线性
人工神经网络可以很好地处理非线性问题，是因为其内部的组成单元——神经元可以处于激活或抑制两种不同的状态，这种行为在数学上理解就是具有非线性。同时，人工神经网络是大量神经元的集体行为，并不是单个神经元行为的简单的相加，所以会表现出复杂非线性动态系统的特性。在实际问题处理中，输人与输出之间会存在复杂的非线性关系，通过设计神经网络对系统输人输出样本进行训练学习，可以任意精度地去拟合逼近复杂的非线性函数，解决环境信息十分复杂、知识背景不清楚和推理规则不明确的一些问题。
二、并行处理
人工神经网络的结构采用大量的处理单元并联组合而成，且处理顺序也是并行的方式，即在它所处同层的处理单元都是同时操作的。它的信息存储的方式采用的是分布式，将存储信息分散到所有的连接权当中共同存储，而大量的神经元并行处理就会有较快的处理速度。
三、容错性和联想能力
在生物系统中信息不是存储在某个位置，而是按内容而分布在整个网络上的。神经网络个神经元不是只存储一个外部信息，而是存储多种信息的部分内容。因为神经网络具有这种分布储存形式，所以如果网络中部分的神经元遭到损坏，那么并不会对整体造成较大的影响。再者，将处理的数据信息储存在神经元之间的权重中，这就类似于大脑对信息的储存是在突触之间的活动当中。这种分布式存储算法是将运算与存储合为一体的，当信息不完整的时候，就可通过联想记忆对其进行恢复，所以说人工神经网络具有强大的容错性和联想记忆能力，可以在不完整的信息和干扰中进行特征提取并复原成完整的信息。
四、自学习、自组织和自适应能力
人工神经网络具有很强的自学习能力，可以在不断的训练中来获得合适的权值和结构。人工神经网络在处理信息的同时改变权重大小，会得到不同的结果，并且可以通过一定的训练得出期望的输出值。人工神经网络系统可以在外部环境刺激下按一定规则调整神经元之间的突触连接强度，逐步构建神经网络，这个过程就被称为网络的自组织。而自适应是指人工神经网络具有可以通过改变自身的结构与条件来适应不同环境的能力。
以上几点就是人工神经网络的主要特点，也是参考其他地方的资料进行总结的，仅供参考噶！！！