Základním prvkem každé neuronové sítě je neuron, který zvoleným způsobem zpracovává vstupní údaje.
Podle druhu vstupních dat jsou pak obvykle rozlišovány na binární a spojité (diskretizované v realizaci). Výraz spojitý naznačuje filozofii zpracování signálů.
Důležitým pojmem v oblasti Neuronových sítí je tzv. Přenosová funkce, která převádí vnitřní potenciál neuronu do oboru výstupních hodnot. Nejčastější jsou následující:
Neuronové sítě pracují v zásadě ve dvou fázích a to učící (adaptivní) a aktivní (vybavující).
Při učení dochází v NS ke změnám, které adaptují síť na řešení daného problému. Učení se realizuje nastavováním vah mezi uzly, což je realizováno přiřazením počátečních hodnot a to buď náhodných, nebo podle nějakého obdobného řešeného případu. Následně se do sítě přivádí trénovací vstup.
Učení se dále dělí na: s učitelem a bez učitele.
Při učení s učitelem se NS učí srovnáváním aktuálního vstupu s výstupem požadovaným a to tak, že jsou „adaptačně“ nastavovány váhy směrem k největší shodě. Snižování rozdílu se řídí učícím algoritmem.
Učení bez učitele naproti tomu nemá konkrétní kritérium správnosti. Učení probíhá tak, že algoritmus hledá ve vstupních datech vzorky se společnými vlastnostmi. Tomuto učení se říká také samoorganizace.
Při aktivní fázi (vybavování) vznikne na základě vstupu dat ve výstupní vrstvě nerovnovážný stav. V neuronech zapamatované hodnoty se začnou působením ostatních neuronů měnit, dokud nenastane stabilní rovnovážný stav.