I jediný neuron realizuje poměrně složité funkce. Obvykle se nazývá perceptron a je například schopen vyhodnotit systémové vstupy a rozpoznat příznaky poruchy nebo jednotlivé znaky v textu nebo jednoduché prvky obrazu apod. viz předchozí. Složitější funkce lze ale realizovat neuronovými sítěmi. Obvykle jsou zapojeny do vrstev a rozlišuje se vstupní a výstupní vrstva a jedna nebo více skrytých vrstev. U dopředných sítí tok signálů důsledně postupuje od vstupní vrstvy k výstupní. Existují i sítě (rekurentní, Hopfieldovy sítě), kde se signál šíří i opačným směrem, podobně, jako u sekvenčních logických funkcí.
Neuronové sítě se často používají ke klasifikaci jevů a jejich třídění do skupin, zpracovávání a rozpoznávání obrazů a jiných jevů (např. při řešení diagnostiky), při vytváření modelů a při předvídání či odhadování vývoje. Obecně platí, že neuronové sítě jsou vhodné k řešení problémů, jejich podstatu neznáme, dostatečně nechápeme a nejsme schopni je vyhovujícím způsobem popsat. Proces učení neuronové sítě je komplikovaný. Používají se i jiné, než jmenované způsoby učení. Poměrně účinné je využití genetických algoritmů.
Samotná realizace programu pro neuronovou síť není příliš náročným problémem – v podstatě se jedná o součet součinů a nepříliš komplikovanou nelineární funkci. Lze ji realizovat i programem PLC. Náročnějším problémem je učení sítě – nejenom z pohledu numerické náročnosti algoritmu učení, ale i z pohledu nároků na kvalifikaci a zkušenosti řešitele. Proto se často používají již hotové a ověřené programy, např. specializované nástroje univerzálních výpočetních systémů (Matlab, Mathematica) nebo specializované prostředky pro realizaci a učení neuronových sítí.