Incluso una sola neurona puede implementar funciones complejas (no lineales en general). Por lo general, se llama perceptrón y es capaz de, por ejemplo, procesar entradas del sistema y reconocer los síntomas de fallos, caracteres individuales en un texto, elementos simples de una imagen, etc. Las funciones más complicadas pueden ser abordadas por las redes neuronales. Por lo general son conectadas en capas - capa de entrada, capa de salida y una o más capas ocultas. En las redes de procesado hacia adelante, el flujo de la señal va del nivel de entrada a la capa de salida. Sin embargo, existen redes (recurrentes, red de Hopfield), donde la señal puede proceder en una dirección opuesta, de manera similar a las funciones lógicas secuenciales.
Las redes neuronales se utilizan con frecuencia para la clasificación de eventos y su clasificación en grupos, procesamiento de imágenes y reconocimiento, otros procesos cognitivos (por ejemplo, diagnóstico), la creación de modelos, predicción o estimación del progreso. En general, las redes neuronales son adecuadas para la solución de problemas cuyos principios se desconocen, no se conoce lo suficiente o que no podemos describir bastante bien. Las redes neuronales se pueden utilizar como controladores o modelos que se adaptan por el mecanismo de la red de aprendizaje. La red neuronal puede ser utilizada para el aprendizaje de patrones (para observar las acciones de una operación de expertos en diferentes situaciones). En la mayoría de los casos, la red que ya ha aprendido (entrenada) funciona de manera apropiada, pero no puede revelar los principios del problema. Puede suceder que de repente se produzca un error en ciertas situaciones.
El proceso de aprendizaje de una red neuronal artificial es más bien complicado. También se usan otros métodos como los algoritmos genéticos.
La implementación de un programa para una red neuronal no es difícil - es sustancialmente una suma de productos y una función no lineal bastante simple. Es posible ponerla en práctica incluso en un PLC. Sin embargo, el aprendizaje de la red es mucho más difícil - no sólo desde el punto de vista de la complejidad numérica del algoritmo de aprendizaje, sino también desde el punto de vista de la competencia y experiencia para buscar la solución. Por lo tanto, se utilizan a menudo los programas pre-programados y verificados, por ejemplo, herramientas especializadas de los sistemas informáticos generales (Matlab, Mathematica) o herramientas especializadas para la puesta en práctica y el aprendizaje de las redes neuronales.