神经网络模型模拟了人脑神经系统的特点：处理单元的广泛连接；并行分布式信息储存、处理；自适应学习能力等。模式识别的神经网络方法与传统方法相比有如下特点： 　　① 具有较强的容错能力。 　　容错能力主要是由于信息分布式存储所决定的。由于信息的广泛、分散地存储，匹配时噪声、畸变引起的局部误差的影响大大减小。同时，从理论上分析，神经网络的容错能力是向量空间映射的结果。以前向神经网络为例，输入空间的低维特征向量经过神经网络的输入层的映射后转换成为隐含层神经网络处理单元代表的新向量，即，进行了一次向量空间映射。从隐含层到输出层又是一次向量空间的映射。一开始有交叉混杂的向量经过几次映射后渐渐被分离开来实现了分类的目的。神经网络分类不是机械式的匹配，因此有较高的容错能力。 　　② 具有较强的自适应学习能力 　　从本章的前几节我们可以看到，神经网络的学习大致可以分为构造型和训练型两种。其中训练型网络又包括有教师训练型和无教师训练型。自适应学习能力主要是指无教师信号的学习能力。具有这样学习方法的网络可以根据大量样本自身的特性进行自动分类，即，自动进行学习，使系统自适应于样本空间，具有相应的分类能力。 　　③ 并行信息处理结构，速度快 　　无论是哪种神经网络模型都具有这个特性，这是由神经网络研究的基本原理决定的。即，大量的处理单元----神经元；处理单元间的相互连接----多输入单输出。只有这样才能构成神经网络。