这里给出的是单层网络（没有中间层）的学习算法。为方便起见，将阈值θ（它也同样需要学习）并入权重矩阵W中，令w0=θ，X向量也相应的增加一个分量x0=-1，这样网络的输出Y由下列公式表示： 　　 具体学习算法如下： 1). 给定初始值：赋给wi(0)各一个较小的随机非零值，这里wi(t)为t时刻第i个输入上的权值(1≤i≤n)，w0(t)为t时刻的阈值； 2). 输入一样本X=(-1， x1, x2,…,xn,)和它的希望输出D; 3). 计算实际输出 　　 4). 修正权重W 　　 其中0<η≤1用于控制修正速度。 　　通常η不能太大，因为太大会影响wi(t)的稳定，η也不能太小，因为太小会使wi(t)的收敛速度太慢。若实际输出与期望的输出值相同时，wi(t)不变； 5). 转到2)直到W对一切样本均稳定不变为止。 　　一般神经网络的学习是在学习样本的指导下进行的。不同的学习方法对学习样本有不同的要求。在感知器学习算法中，要求每个学习样本要有已知的标准答案，也称作教师信号。而参数（权值）的修正是根据实际输出值与理想输出值（由教师信号决定）的差值进行。系统参数变化趋于稳定标志着学习进程的收敛。