代表性的神經網絡模型：
(1)BP網絡：多層前饋網絡，是到目前為止使用最多和最為成熟的一種 神經網絡，采用最小均方差的學習方式，可用於語言綜合、語言識別、白適應 控制等。缺點是僅為有導師訓練，訓練時間長，易於陷入局部極小。
(2)RBF(徑向基函數)網絡：也是多層前饋網絡，徑向基網絡只對那 些靠近輸入權值向量的輸入產生反應，即只是發生局部反應，因而該網絡具有 很好的局部逼近能力，可以在學習過程中獲得高速化。缺點是由於高斯函數的
特性，該網絡難以學習映射的高頻部分。
(3)Hopfield(聯想記憶)網絡：單層反饋非線性網絡，是一種全連接型 的神經網絡，每一個節點的輸出均反饋到其它節點的輸入，整個網絡都不存在 自反饋。這個網絡可以完成制約優化和聯想記憶等功能。Hopfield網絡多用在 控制系統的設計中求解約束優化問題，在系統辨識中也有應用。
(4)SOM自組織特征映射模型：基於無監督學習方法的網絡模型，無需 提供教師信號，可以對外界未知環境(或樣本空間)進行學習或者仿真，並對 自身的網絡結構進行適當調整。SOM網絡主要用於模式識別。
(5)ART自適應共振理論網絡：也是一種自組織網絡模型，是一種以認 知和行為模式為基礎的一種無教師、矢量聚類和競爭學習的算法。它能夠較好 地協調適應性、穩定性和復雜性的要求。ART網絡主要用於模式識別，不足之 處在於對轉換、失真和規模變化較敏感。 (6)CMAC小腦神經網絡：是根據小腦的生物模型提出的一種神經元網 絡模型，它是一種聯想網絡，對每一輸出只有少部分神經元與之相關，最大特點就是它的聯想具有局部泛化能力，並有學習速度快、無局部極小點等性質。
(7)量子神經網絡。它是在量子計算機或量子器件的基礎上構造神經網 絡，充分利用量子計算超高速、超並行、指數級容量的特點，來改進神經網絡 的結構和性能。
具體下面的文章里會總結。