人工神经网络(英语: Artificial Neural Network，ANN)，简称神经网络 (Neural Network，NN)或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型，用于对函数进行估计或近似。
和其他机器学习方法一样，神经网络已经被用于解决各种各样的问题，例如机器视觉和语音识别。
这些问题都是很难被传统基于规则的编程所解决的。

2. 神经元的概念

在生物神经网络中，每个神经元与其他神经元相连，当它”兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位：如果某神经元的电位超过了一个“阈值”，那么它就会被激活，即“兴奋”起来，向其他神经元发送化学物质。
1943年，McCulloch和 Pitts 将上述情形抽象为上图所示的简单模型，这就是一直沿用至今的M-P神经元模型。把许多这样的神经元按一定的层次结构连接起来，就得到了神经网络。一个简单的神经元如下图所示，

其中;
1.a1,a2...an.为各个输入的分量
2.w1,w2…wn，为各个输入分量对应的权重参数
3.b为偏置
4.f为激活函数，常见的激活函数有tanh，sigmoid，telu
5.t为神经元的输出
使用数学公式表示就是:
$t=f(W^{T}A + b)$
可见，一个神经元的功能是求得输入向最与权向量的内积后，经一个非线性传递函数得到一个标量
结果。

3. 单层神经网络

最基本的神经元网络形式，由有限个种经元构成，所有神经元的输入向量都是同一个向量。由于每一个神经元都会产生一个标量结果，所以单层神经元的输出是一个向量，向量的维数等于神经元的数目。
示意图如下:

4. 感知机

感知机由两层神经网络组成，输入层接收外界输入信号后传递给输出层(输出+1正例，-1反例)输出层是 M-P 神经元

感知机的作用:
把一个n维向量空间用一个超平面分割成两部分，给定一个输入向量，超平面可以判断出这个向量位于超平面的哪一边，得到输入时正类或者是反类，对应到2维空间就是一条直线把一个平面分为两个部分。

5. 多层神经网络

多层神经网络就是由单层神经网络进行叠加之后得到的，所以就形成了层的概念，常见的多层神经网络有如下结构:

输入层(inputlayer)，众多神经元(Neuron)接受大量输入消息。输入消息称为输入向量。
输出层(Output layer)，消息在神经元链接中传输、分析、权衡，形成输出结果。输出的消息称为输出向量。
隐藏层(Hidden layer)，简称“隐层”，是输入层和输出层之间众多神经元和接组成的各个层面。隐层可以有一层或多层。隐层的节点(神经元)数目不定，但教目越多神经网络的非线性越显著，从而神经网络的强侧性 (robustness)更显著。

示意图如下: