人工神经网络是对生物神经系统的模拟。它的信息处理功能是由网络单元（神经元）的输入输出特性（激活特性），网络的拓扑结构（神经元的连接方式），连接权大小（突触联系强度）和神经元的阈值（可视为特殊的连接权）等决定。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步的执行运算，而是能够自身适应环境，总结规律，完成某种运算，识别或过程控制。
图1 典型的三层人工神经网络
1.如图所示，图中的所有节点都是分层的，每一层节点可以通过有向弧指向上一层节点，但是同一层节点之间没有弧互相连接，而且每一个节点不能越过一层连接到上上层的节点上。理论上，人工神经网络的层数可以是任意的。在实际应用中一般不会有人设计超过五层的网络，因为网络的层数越多，计算就越复杂。
2.每一条弧上有一个值（称为权重或权值），根据这些值，可以用一个非常简单地公式算出他们所指节点的值。
网络学习的准则应该是：如果网络作出错误的判断，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0,1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和，与门限比较，再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说完全随机的。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍能做出正确的判断。
如果输出为“0”（即结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网路轮番输入若干个手写字母“A”，“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速，准确的判断和识别。一般来说，网络中所含的神经元个数越多，则它能记忆，识别的模式也就越多。
人工神经网络研究与应用的主要内容
1.人工神经网络模型的研究
神经网络原型研究；神经元的生物特性的模拟等
2.神经网络的基本理论研究
神经网络的非线性特性，稳定性，收敛性，鲁棒性等
3.神经网络智能信息处理系统的应用
认知与人工智能，优化与控制，信号处理，多传感数据融合等
4.神经网络的软件模拟和硬件实现
软件模拟，神经芯片等
5.神经网络计算机的实现