人工神经网络模型有多种形式，它取决于网络的拓扑结构、神经元传递函数、学习算法和系统特点。一般可分为以下几类：

·按结构方式分有前馈网络（如BP网络）和反馈网络（如Hopfield网络）。

·按状态方式分有离散型网络（如离散型Hopfield网络）和连续型网络（如连续型Hopfield网络）。

·按学习方式分有监督学习网络（如BP、RBF网络）和无监督学习网络（如自组织网络）。人工神经网络具有一系列不同于其他计算方法的性质和特点：

·神经网络将信息分布存储在大量的神经元中，且具有内在的知识索引功能，也即具有将大量信息存储起来并以一种更为简便的方式对其访问的能力。

·人工神经网络具有对周围环境自学习、自适应功能，可用于处理带噪声的、不完整的数据集。

·人工神经网络能模拟人类的学习过程，并且有很强的容错能力，可以对不完善的数据和图形进行学习和作出决定。一旦训练完成，就能从给定的输入模式快速计算出结果。

正是具有这些特点，人工神经网络在人工智能、自动控制、计算机科学、信息处理、模式识别等领域得到了广泛的应用。