类神经网络是一种处理复杂资料的方法，它包含了一组运算单元以及将这些单元连结在一起的计算路径。人类大脑的结构是类神经网络发明的灵感来源，因此，它就像人脑一样，具备学习和分析庞大资料的能力，这是普通演算法无法达到的。
---- 电脑能帮助您简化许多工作，但如果当您自己也不清楚要处理的问题是什么时，它就帮不上忙了。更糟糕的是，普通演算法无法处理有误差或不完整的资料，但在现实世界里，这种情况却比比皆是。现在已经有解决这个问题的办法了，即使用类神经网络，它是一个具有自我学习能力的计算系统。
---- 第一个类神经网络系统诞生在1958年，由心理学家Frank Rosenblatt发明，称为Perceptron，它可模拟人脑处理视觉资料、学习辨认物体的过程。此后，有许多研究学者也用类似的模型来学习人类的认知过程。
---- 类神经网络除了可进一步了解人脑的功能外，它所具备的物体辨识和学习功能使它具有解决许多问题的能力，而这些问题长久以来一直是普通演算法和统计方法难以处理的烫手山芋。因此，在20世纪80年代末期，类神经网络就已经应用于众多的应用领域。
结构
---- 类神经网络的关键，就在于每个处理单元之间建立适当的连结，这就像脑神经细胞间彼此用突触做沟通的渠道一样。我们可用一般的电脑来模拟人工的神经元，每个神经元都可同时接受许多输入讯号，根据内部简单的运算，送出一个单一的讯号，作为另一神经元的输入讯号。
---- 这些神经元的连结并不像想像的那样杂乱无章，而是通常被组织成层次分明的神经元，每一层内的神经元并不相互连结，它们只接受下层神经元的讯号，并向上送出结果。其中，输入层负责接收资料，而输出层则送出最终的结果，通常它们之间还存在着隐藏层，夹杂在两者之间，因此，这种结构使我们无法预测输入的资料将怎样在这些神经元之间流动。
机制
---- 每个神经元都收到由前一层发出的讯号，然后，将各个讯号经过加权处理，归纳出最后的结果，再传给上一层的神经元。于是，类神经网络的关键就在于如何决定每一神经元的权值。
---- 类神经网络都需要经过训练来调整这个比值，在训练开始前，每一比值都用随机方法决定，这种类神经网络可被解读为人脑最初的浑沌状态。然后可以有两种训练方法：第一种方法是自我组织类神经网络，它通常是处理极大量资料，并且要从资料里自动归纳出特定的模式和资料彼此间的关联，这种方法常被研究者用来分析研究资料。
---- 相对地，第二种方法是逆向传播类神经网络，它需要操作者介入训练，在输入每笔资料的过程中，操作者观察类神经网络的输出结果是否正确，如果正确，那么就加强产生这个结果的权重比值，反之，则降低那些权重的比值，这种类神经网络通常被用于认知学习的研究以及处理特定问题上。
---- 就运算速度来说，在单台电脑上，类神经网络的运算速度远低于传统的演算法，然而在平行运算的架构下，因为有许多微处理器的帮助，它的速度可以大大提高，也就特别适合处理大量资料，而且在处理不断输出资料流的问题上(如语音辨识)，类神经网络的速度则比传统的演算法快得多。
---- 类神经网络已被证明对处理真实世界的问题非常管用，这类问题的特性是拥有非常复杂而不完整的资料，它最初被应用在视觉辨认及语音辨识等问题上，此外，近来还有人用类神经网络来进行文字转语音的研究。而在PDA上，常见的手写软件也免不了使用类神经网络。
---- 现在，许多自动化工厂也用类神经网络来监控操作流程、调节温度设置、判别出错环节，这种类型的类神经网络取代了人工操作，大大提高了整体生产力。
用途
---- 类神经网络的商业用途目前已经引起人们越来越多的关注。一些大型金融机构已在使用类神经网络来增进某些特殊功能，如评定顾客的信用、评判抵押品的价值、目标行销以及贷款风险评估等，虽然这些系统实际运行时只比传统演算法的精确度高出几个百分点，但因为这些评估涉及了巨大的资金交易，因此它具有突出的实用价值。现在还有些机构使用类神经网络来分析信用卡的交易情况，以判断是否被盗刷。
---- 类神经网络也可用来侦测犯罪行为，美国大多数机场都用类神经网络来侦测旅客的行李箱里是否夹藏炸弹或其他爆裂物品，而芝加哥警察局的风纪处则用类神经网络来"过滤"受贿警官，看来，类神经网络也可以成为"廉政"的利器。