人工神经网络模型的核心要素包括网络的拓扑结构、神经元的特性以及学习规则。目前，这个领域已经发展出众多模型，其中包括反向传播网络、感知器、自组织映射、Hopfield网络、Boltzmann机和适应谐振理论等。这些模型根据它们的连接方式，主要可以分为两类:
首先，人工神经网络的前向网络结构中，神经元接收来自前一层的输入，然后将信号传递至下一层，网络中不存在反馈回路，这种结构可以用有向无环图来描述。这类网络的作用是将输入信号从输入空间映射到输出空间，其信息处理能力源于简单非线性函数的叠加效应。由于其网络结构简单，实现起来较为方便，反向传播网络就是此类网络的典型代表。
其次，反馈网络中神经元之间存在双向信息交互，这种网络用无向的完备图来表示。这种类型的神经网络处理的是状态转换，可以通过动力学系统理论来分析。网络的稳定性与联想记忆功能密切相关，Hopfield网络和Boltzmann机就属于这类反馈网络模型。
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。