1、神经网络通过学习获得知识。
2、神经网络的知识存储在神经元间的连接强度，称为突触权重。
>>>下载神经网络软件NeuroSolutions！
神经网络的真正优势在于可表示线性和非线性关系，并能通过建模数据学习这些关系。当模型数据中包含了非线性字符时，传统的线性模型就不能满足需要了。
最常见的神经网络模型是多层感知器 (MLP)。这种类型的神经网络被称为监督网络，因为为了学习，它需要一个期望输出。该种类型的神经网络旨在通过历史数据建立一个能将输入正确映射到输出的模型，以便期望输出未知时，该模型也能生成输出。
MLP和许多其他的神经网络通过一个backpropagation算法进行学习。通过backpropagation算法，输入数据反复提交到神经网络。每提交一次输入数据，神经网络的数据就与期望输出进行对比，并记算错误。该错误被反馈到神经网络并用于调整的权重，随着每次迭代，错误减少，神经模型与期望输出越来越接近。这个过程被称为“训练”。
下面一个例子是神经网络在光学字符识别（OCR）软件中的典型应用。如今，多数文档扫描仪都自带了一个光学字符识别（OCR）软件。光学字符识别（OCR）软件允许你扫描打印文档，并将其保存为图像。接着光学字符识别（OCR）软件将图像分为几个子图像，每个子图像中包含一个单独的字母。然后将子图像从图像格式转换成二进制格式，并将二进制数据传输到神经网络。该神经网络通过以往的训练，找出字符图像数据和数值之间的关联，从而将所扫描的图像转换成电子文本格式，如Word文档，以便对文本进行操作。市面上的许多OCR软件都是使用神经网络来作为分类引擎。
