人工神经网络是位于生物神经网络服务之上的系统。它是对生物神经系统的模拟。人工神经网络的特点是有多种架构，因此需要多种算法方法，但尽管是一个复杂的系统，但神经网络几乎是简单的。
这些网络是导演工具箱中独特的信号处理技术之一。该领域是高度跨学科的，但这种方法将把目光限制在工程前景上。
在工程中，神经网络提供两个重要的功能，即模式分类器和非线性自适应滤波器。人工神经网络是一个灵活的、最常见的非线性系统，它理解从数据中实现一个功能（输入/输出映射）。Adaptive 定义了系统参数在运行期间进行转换，通常称为训练阶段。
在训练阶段之后，人工神经网络参数保持不变，系统被设置来解决手头的问题（测试阶段）。人工神经网络的开发具有系统的逐步阶段，以增强性能测试或遵循一些隐含的内部约束，这通常被定义为学习规则。
输入/输出训练数据是神经网络技术的基础，因为它们传输重要数据以“发现”最佳操作点。神经网络处理元件 (PE) 的非线性特性支持系统具有多种适应性，以获得几乎一些所需的输入/输出图，即一些人工神经网络是广泛的制图者。
输入显示给神经网络，并在输出处设置等效的期望或目标响应（在这种情况下，训练被称为有监督）。从获取的响应和系统输出之间的差异中收集误差。该错误数据被传送回系统并系统地调节系统参数（学习规则）。重复该阶段直到性能足够。从这个定义中可以清楚地看出，性能很大程度上取决于数据。
神经网络的优点如下 -
神经网络可以执行线性程序无法执行的任务。
当神经网络的一项下降时，它可以通过其并行特征继续而不会出现问题。
神经网络决定并且不需要重新编程。
它可以在任何应用程序中执行。
神经网络的缺点如下 -
神经网络需要训练才能运行。
神经网络的结构与微处理器的结构不同，因此需要进行仿真。
对于大型神经网络，它需要很长的处理时间。