„Neuronale Netze“ sind die Kurzform für „Künstliche Neuronale Netze“ (KNN). Der Begriff bezeichnet in Software bzw. Hardware realisierte Netze aus künstlichen Neuronen. Sie sind ein Forschungsgegenstand der Neuroinformatik und stellen einen Zweig der künstlichen Intelligenz dar. KNN haben – ebenso wie künstliche Neuronen – ein biologisches Vorbild: der Vernetzung von Neuronen im Nervensystem eines Lebewesens. Ein KNN besteht also aus einem abstrahierten Modell miteinander verbundener künstlicher Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie der Statistik, der Technik oder der Wirtschaftswissenschaften computerbasiert lösen lassen. Einsatzgebiete sind: Bild-, Sprach-, Schrift und Mustererkennung, Sprachsynthese, Prognosen und Steuerung komplexer Prozesse, Frühwarnsysteme und maschinelles Übersetzen. Neuronale Netze müssen trainiert werden, bevor sie Problemstellungen lösen können. Beim „Deep Learning“ übernimmt das die Maschine selbst (siehe „Künstliche Intelligenz“).
Der Aufbau und die Funktionsweise eines Neuronalen Netzes kann vereinfacht folgendermaßen beschrieben werden: Das abstrahierte Modell eines Neuronalen Netzes besteht aus Neuronen (Units, Knoten). Sie können Informationen von außen oder von anderen Neuronen aufnehmen und modifiziert an andere Neuronen weiterleiten oder als Endergebnis ausgeben. Grundsätzlich kann zwischen Input-Neuronen, Hidden-Neuronen und Output-Neuronen unterschieden werden. Die Input-Neuronen nehmen Information in Form von Mustern oder Signalen von der Außenwelt auf. Die Hidden-Neuronen befinden sich zwischen den Input- und den Output-Neuronen und bilden interne Informationsmuster ab. Output-Neuronen geben Informationen und Signale als Ergebnis an die Außenwelt weiter. Die verschiedenen Neuronen sind untereinander über die so genannten Kanten (Synapsen in der Biologie) verbunden. Damit kann der Output eines Neurons zum Input des nächsten Neurons werden. Je nach Stärke und Bedeutung der Verbindung hat die Kante eine bestimmte Gewichtung. Je stärker die Gewichtung, desto größeren Einfluss kann ein Neuron über die Verbindung auf ein anderes Neuron ausüben.