人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。
神经网络是一种运算模型，由大量的节点（或称神经元neuron）之间相互联接构成。
每个节点代表一种特定的输出函数，称为激励函数（activation function）。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
（以上内容来自于百度百科）
神经网络是模拟人的大脑的工作机制的。人大脑的神经元上有许许多多突触，人学习的过程就是不断形成和激活突触，形成连接。那么人工神经网络的生成就是构造大量的神经元，然后建立各个神经元之间的连接。
如上图所示，该神经元接收到n个来自其他神经元传递过来的输入信号X，这些输入信号通过带权重w的连接（connection）进行传递。神经元将接收的信号加以权重后进行求和运算。其结果与神经元设定的阈值（threshold）θj进行比较，然后通过激励函数处理后产生神经元的输出。
神经网络则是由多个神经元按一定的的层次组成。（如下图所示，一个个圆圈表示的是神经元）
神经网络针对不同的事物，可以有多层构成。
前馈神经网络（feedforward nerual networks）:在此种神经网络中，各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。整个网络中无反馈，可用一个有向无环图表示。主要分为单层前kui馈神经网络和多层馈神经网络。
其特点为：
1,每层神经元与下一层全连接。
2,同层不连接。
3,不存在跨层连接。
单层前馈神经网络主要是感知机（preceptron）。感知机有两层神经元构成，即输入层和输出层（也成为阈值逻辑单元（threshold logic unit））。
多层前馈神经网络的输入层和输出层之间有若干个隐藏层。输入层接收输入，但并不进行处理。隐藏层和输出层对信号进行处理和加工。
神经网络学习的过程就是通过不断训练数据，来调整权重和阈值。