1.单层感知器网络
单层感知器神经网络，即只有一层处理单元的感知器，其结构如下图
该种网络通常采用符号函数sgn(x)作为变换函数.
只有一个计算机点的单层感知器网络就是M-P模型，该网络具有分类功能，其分类原理是将分类知识存储在感知器的权向量中，由权向量确定的分类判决界面w1jx1+w2jx2+...+wnjxn-Tj=0将输入分为两类。
该网络通常使用离散型感知器学习规则，即ΔWj=η*(dj-oj)X。如果输入样本线性可分，无论感知器的初始权值为何值，经过有限次学习后，总能得到一个稳定的权向量，该权向量确定的超平面能将两类样本正确分开。
(2)多层感知器网络
单层感知器网络只能解决线性可分问题，而大量的问题是线性不可分的。多层感知器网络在输入层和输出层之间引入了隐含层，输出层节点以隐含层节点的输出作为输入。只有一层隐含层的多层感知器网络拓扑图如下：
多层感知器网络从理论上，可以解决线性不可分的问题。Kolmogorov理论指出，双隐含层感知器网络足以解决任何复杂的分类问题。