代表性的神经网络模型：
(1)BP网络：多层前馈网络，是到目前为止使用最多和最为成熟的一种 神经网络，采用最小均方差的学习方式，可用于语言综合、语言识别、白适应 控制等。缺点是仅为有导师训练，训练时间长，易于陷入局部极小。
(2)RBF(径向基函数)网络：也是多层前馈网络，径向基网络只对那 些靠近输入权值向量的输入产生反应，即只是发生局部反应，因而该网络具有 很好的局部逼近能力，可以在学习过程中获得高速化。缺点是由于高斯函数的
特性，该网络难以学习映射的高频部分。
(3)Hopfield(联想记忆)网络：单层反馈非线性网络，是一种全连接型 的神经网络，每一个节点的输出均反馈到其它节点的输入，整个网络都不存在 自反馈。这个网络可以完成制约优化和联想记忆等功能。Hopfield网络多用在 控制系统的设计中求解约束优化问题，在系统辨识中也有应用。
(4)SOM自组织特征映射模型：基于无监督学习方法的网络模型，无需 提供教师信号，可以对外界未知环境(或样本空间)进行学习或者仿真，并对 自身的网络结构进行适当调整。SOM网络主要用于模式识别。
(5)ART自适应共振理论网络：也是一种自组织网络模型，是一种以认 知和行为模式为基础的一种无教师、矢量聚类和竞争学习的算法。它能够较好 地协调适应性、稳定性和复杂性的要求。ART网络主要用于模式识别，不足之 处在于对转换、失真和规模变化较敏感。 (6)CMAC小脑神经网络：是根据小脑的生物模型提出的一种神经元网 络模型，它是一种联想网络，对每一输出只有少部分神经元与之相关，最大特点就是它的联想具有局部泛化能力，并有学习速度快、无局部极小点等性质。
(7)量子神经网络。它是在量子计算机或量子器件的基础上构造神经网 络，充分利用量子计算超高速、超并行、指数级容量的特点，来改进神经网络 的结构和性能。
具体下面的文章里会总结。