Con carácter general se puede definir como un sistema que, emulando la estructura y el funcionamiento del cerebro humano, se halla compuesto por capas sucesivas de unidades de procesamiento, nodos o neuronas artificiales conectadas entre sí con una fuerza variable. Concretamente, cada unidad de procesamiento recibe información del exterior o de otra unidad, la procesa mediante el manejo de un conjunto de funciones y la traduce en un valor de salida que alimenta a otra unidad o que constituye el resultado del sistema. Establecido lo anterior, la arquitectura del sistema y el método de aprendizaje empleado conducen a diversas tipologías de redes neuronales.
Una Red Neuronal artificial (RNA) es, pues, una estructura compuesta de un conjunto de unidades interconectadas (neuronas artificiales). Cada unidad posee una característica entrada/salida e implementa una computación local o función.
La red desarrolla usualmente una funcionalidad mediante el funcionamiento masivo de elementos de procesamiento (neuronas) que poseen un alto grado de interconectividad entre sus elementos, en los que la información puede fluir en cascada o en retroceso. Este funcionamiento está inspirado en la naturaleza biológica de las neuronas.
En general, una neurona envía su salida a otras por su axón. Este proceso es a menudo modelado como la función de red. La neurona recoge las señales por su sinapsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinapsis de salida.

VENTAJAS
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro.

• Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.
• Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto.
• Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente.
• Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (ej. si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente)
• Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.

Hay muchas buenas razones para el uso de redes neuronales y los avances en este campo incrementarán su popularidad. Son excelentes como clasificadores/reconocedores de patrones – y pueden ser usadas donde las técnicas tradicionales no funcionan. Las redes neuronales pueden manejar excepciones y entradas de datos anormales, muy importante para sistemas que manejan un amplio rango de datos (sistemas de radar y sonar, por ejemplo). Muchas redes neuronales son biológicamente plausibles, lo que significa que pueden proveer pistas de como trabaja el cerebro según progresen. Los avances en la neurociencia también ayudarán al avance en las redes neuronales y hasta el punto en que sean capaces de clasificar objetos con la precisión de un humano y la velocidad de una computadora. Tienen un futuro es brillante.

DESVENTAJAS DE LAS REDES NEURONALES

• Complejidad de aprendizaje para grandes tareas, cuanto más se necesite que aprenda una red, más complicado será enseñarla.
• Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si se incrementa la cantidad de patrones a identificar o clasificar y segundo si se requiere mayor flexibilidad o capacidad de adaptación de la red neuronal para reconocer patrones que sean sumamente parecidos,se deberá invertir más tiempo en lograr que la red converja a valores de pesos que representen lo que se quiera enseñar.
• No permite interpretar lo que se ha aprendido, la red por si sola proporciona una salida, un número, que no puede ser interpretado por ella misma, sino que se requiere de la intervención del programador y de la aplicación en sí para encontrarle un significado a la salida proporcionada.
• Elevada cantidad de datos para el entrenamiento, cuanto más flexible se requiera que sea la red neuronal, más información tendrá que enseñarle para que realice de forma adecuada la identificación.

Otros problemas con las redes neuronales son la falta de reglas definitorias que ayuden a realizar una red para un problema concreto.