前馈神经网络（feedforwardneuralnetwork），简称前馈网络，是人工神经网络的一种。在此种神经网络中，各神经元从输入层开始，接收前一级输入，并输入到下一级，直至输出层。整个网络中无反馈，可用一个有向无环图表示特点：输入节点无计算功能，只是为了表征输入矢量各元素值；以后各层节点表示具有计算功能的神经元，称为计算单元。

1、标准M-P模型M-P模型是一个非常简单的人工神经网络模型，并且在它被提出时，也并没有给出相应的学习算法来调整神经元之间的连接全值，因此不具备学习能力。但是，在实际应用中可以根据需要采用一些常用的学习算法来调整神经元之间的连接权值，使其具备学习能力。2、改进的M-P模型标准M-P模型，没有考虑到神经元的突触延迟特性和突触传递的不应期以及生物神经元的时间整合特性，考虑到上述3个特性，改进的M-P模型为：每个神经元都是一个多输入单输出的信息处理单元；神经元输入分兴奋性输入和抑制性输入两种类型；神经元具有空间整合特性和阈值特性；神经元输入与输出间有固定的时滞，主要取决于突触延搁；忽略时间整合作用和不应期；神经元本身是非时变的，即其突触时延和突触强度均为常数。

人工神经元模型有以下三个基本要素：1、连接加权2、求和单元3、激活函数

1.视觉形成的过程视觉信息通过视细胞、双极细胞、水平细胞和神经节细胞，并经视神经以“串行”的信息模式传递至外侧膝状体进行解码成“点阵”形式再由视放射传送到初级视皮质不同功能区，最后向高级区域的相应分工区域传递，在不同皮质区整合以产生对视觉信息的完整认知。2.视觉的中枢通路与皮层定位人的视觉系统的信息处理是分级的。如图所示。从低级1区提取边缘特征，再到2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。

下图是大脑神经细胞结构工作流程图

在生物神经元中，树突作为输入端，轴突作为输出端，突触作为输出和输入的接口，细胞体成为一个微型信息处理器，能接收来自其他神经元的信号，进行组合后，通过膜电位的作用产生输出信号，并沿轴突传递至其他神经元。轴突：细胞的输出端树突：细胞的输入端突触：轴突与树突的接口

生物神经元在结构上由四部分组成:细胞体(Cellbody)、树突(Dendrite)、轴突(Axon)、突触(Synapse)用来完成神经元间信息的接收、传递和处理。树突是树状的神经纤维接收网络，是细胞的输入端，它将电信号传送到细胞体，细胞体对这些输入信号进行整合并进行阈值处理。轴突是单根长纤维，它把细胞体的输出信号导向其他神经元，是细胞的输出端。一个神经细胞的轴突和另一个神经细胞树突的结合点称为突触，它是一个细胞的输出（轴突）与另一个细胞的输入（树突）的接口。

神经元的基本结构包括细胞体和突起两部分。细胞体包括细胞核、细胞质、细胞膜。细胞膜内外电位差称为膜电位。神经元的突起一般包括数条短而呈树状分支的树突和一条长而分支少的轴突。长的突起外表大都套有一层鞘，组成神经纤维，神经纤维末端的细小分支叫作神经末梢。神经纤维集结成束，外面包有膜，构成一条神经。

深度学习也只要三个步骤：建构网络、设定目标、开始学习。在深度学习的过程中，外部环境以某种形式提供信息（数据）来源，学习将外部信息（数据）加工为知识，并放入知识库；知识库中存放指导执行部分动作的一般原则，要兼顾表达能力强，易于推理、易于完善及扩展知识表示等要求；执行环节利用知识库中的知识完成某种任务，并把完成任务过程中所获得的一些信息反馈给学习环节，指导进一步学习。

人工神经元的数学模型、互连结构和学习规则（算法）是决定人工神经网络模型的信息处理性能的3个关键特性。1、生物神经元的结构与功能生物神经元中的树突接收来自其他神经元的输入，轴突将神经元的输出传递给其他神经元，神经元之间通过突触互相连接。神经元对不同突触接收的输入信号进行时空整合，在一定条件下触发产生输出信号。2、人工神经元模型人工神经元是对生物神经元结构和功能的模拟，一般是一个多输入单输出的非线性器件其功能是：对每个输入信号进行处理以确定其强度（加权）；确定所有输入信号的组合效果（求和）；确定其输出（激活特性）。3、人工神经网络的互连结构通过一定的规则将多个神经元连接成网络，才能实现对信息的处理和存储。根据人工神经网络中各个神经元是否按层次排列，同层神经元之间是否有相互连接,以及人工神经网络中是否存在反馈环路，通常可以将人工神经网络的互连结构分为无反馈的层内无互连层次结构、有反馈的层内无互连层次结构、无反馈的层内互连层次结构和有反馈的层内互连层次结构。4、人工神经网络的学习规则只有具有学习能力，人工神经网络才具有智能特性。人工神经网络的学习过程实际上就是对网络连接权值的调整过程。常见的人工神经网络学习方式可分为：有监督学习、无监督学习和强化学习（灌输式学习）。最早提出的人工神经网络学习规则是Hebb学习规则。纠正学习规则、相关学习规则、随机学习规则、胜者为王学习规则等也是人工神经网络中常用学习规则。