سيستم شبکه عصبی مصنوعی الهام گرفته شده از مغز و سيستم شبکه عصبی انسان می باشد و مانند مغز انسان از تعداد زیادی نورون تشکيل شده است. این شبکه ها مانند مغز انسان دارای قابليت یادگيری، حفظ کردن و ایجاد ارتباط مابين داده ها را می باشند. پياده سازی ویژگی های شگفت انگيز مغز در یك سيستم مصنوعی ( سيستم دیناميکی ساخته دست بشر)هميشه وسوسه انگيز و مطلوب بوده است. محققينی که طی سالها در این زمينه فعاليت کرده اند بسيارند؛ ليکن نتيجه این تلاشها، صرف نظر از یافته های ارزشمند، باور هر چه بيشتر این اصل بوده است که مغز بشر دست نيافتنی است. این شبکه ها در علوم بسياری از جمله فيزیك، مهندسی برق، مهندسی محيط زیست، مهندسی شيمی، علوم کامپيوتر، رباتيک و ... کاربرد دارند. شبکه های عصبی مصنوعی با وجود این که با سيستم عصبی طبيعی قابل مقایسه نيستند ویژگی هایی دارند که آنها را در بعضی از کاربردها مانند تفکيك الگو، رباتيك، کنترل، و به طور کلی در هر جا که نياز به یادگيری یك نگاشت خطی و یا غير خطی باشد، ممتاز می نمایند. این ویژگیها به شرح زیر هستند:
 قابلیت یادگیری
قابليت یادگيری یعنی توانایی تنظيم پارامترهای شبکه ( وزن های سيناپتيکی) در مسير زمان که محيط شبکه تغيير می کند و شبکه شرایط جدید را تجربه می کند، با این هدف که اگر شبکه برای یك وضعيت خاص آموزش دید و تغيير کوچکی در شرایط محيطی آن (وضعيت خاص) رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نيز کارآمد باشد. دیگر این که اطلاعات در شبکه های عصبی در سيناپس ها ذخيره می گردد و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها متاثر می شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده بلکه متاثر از کل شبکه می باشد.
پراکندگی اطلاعات "پردازش اطلاعات به صورت متن" آنچه که شبکه فرا می گيرد در وزنهای سيناپسی مستتر می باشد. رابطه یك به یك بين ورودی ها و وزن های سيناپتيکی وجود ندارد. می توان گفت که هر وزن سيناپسی مربوط به همه ورودیه است ولی به هيچ یك از آنها بطور منفرد و مجزا مربوط نيست. به عبارت دیگر هر نرون در شبکه، از کل فعاليت سایر نرونها متاثر می باشد. در نتيجه، اطلاعات به صورت  متن توسط شبکه های عصبی پردازش می شوند. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط  داشته باشند باز هم احتمال رسيدن به پاسخ صحيح وجود دارد. اگر چه این احتمال برای تمام ورودیها کاهش یافته برای هيچ یك از بين نرفته است .
قابلیت تعمیم
پس از آنکه مثالهای اوليه به شبکه آموزش داده شد، شبکه می تواند در مقابل یك ورودی آموزش داده نشده قرار گيرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیسم تعمیم، که همانا چیزی جز فرآیند درون یابی نیست به دست می آید. به عبارت روشنتر، شبکه، تابع را یاد می گیرد، الگوریتم را می آموزد و یا رابطه تحلیلی مناسبی را برای تعدادی نقاط در فضا به دست می آورد.
پردازش موازی
هنگامی که شبکه عصبی در قالب سخت افزار پياده می شود سلولهایی که در یك تراز قرار می گيرند می توانند بطور همزمان به ورودی های آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می شود. در واقع در چنين سيستمی، وظيفه کلی پردازش بين پردازنده های کوچکتر مستقل از یکدیگر توزیع می گردد.
مقاوم بودن
در یك شبکه عصبی هر سلول بطور مستقل عمل می کند و رفتار کلی شبکه، برآیند رفتارهای محلی سلولهای متعدد است. این ویژگی باعث می شود تا خطاهای محلی از چشم خروجی نهایی دور بمانند. به عبارت دیگر، سلولها در یك روند همکاری، خطاهای محلی یکدیگر را تصحيح می کنند. این خصوصيت باعث افزایش قابليت مقاوم بودن (تحمل پذیری خطاها) در سيستم می گردد.