與傳統的模式識別算法相比，人工神經網絡有很多的不同和優勢。它具有以下特點：
（1）函數逼近能力。
神經網絡的輸入與輸出可以看做一個函數映射。神經網絡通過不斷地調整節點權值，實現了在最小二乘誤差條件下輸入與輸出的最佳逼近。
（2）大規模並行協同處理能力。
傳統的計算機對信息方式的處理為串行處理。這樣處理的速度再快，處理的信息也是有限的。計算與存儲被分成完全獨立的兩部分。因此，存儲器和運算器之間的通道就成為了計算機運算的瓶頸，因而大大地限製了它的運算能力。而神經網絡中的神經元之間有著大量的相互連接，所以信息輸入之後可以很快地傳遞到各個神經元之間進行同時處理（並行處理）。
（3）自學習、自組織性。
目前基於符號推理的專家係統還不具備自學能力，即不能在運算過程中自我完善、發展和創新知識。係統的功能取決於設計者的知識和能力。神經網絡具有很強的自學習能力，可以在學習過程中對自我進行不斷完善和發展。
（4）聯想記憶功能。
神經網絡可以看成是包含大量子係統的大係統，係統的最終行為完全由它的記憶功能決定，初態可以認為是給定有關記憶的部分信息。
（5）具有很強的魯棒性和容錯性。
在神經網絡中，信息的存儲不像傳統的計算機那樣存在存儲器的某一特定位置，而是分布式地存在整個網絡中相互連接的權值上，這就使它比傳統的計算機具有較高的抗毀性。總之，人工神經網絡對人的形象思維能較好地模擬，具有大規模並行協同處理能力、較強的容錯與聯想能力、較強的學習能力。它是一個大規模自組織、自適應的非線性動力係統。