神經網絡是由大量神經元廣泛互連而成的網絡。網絡的信息處理由神經元之間的相互作用來實現，神經網絡的知識與信息的存儲取決於神經元連接的權值和閾值以及網絡結構。神經網絡識別係統的輸入層接受待識別樣本的特征向量，經過各隱含層神經元的運算，最終將識別結果（待識別樣本的種類數）從輸出層輸出，輸出層的每個神經元代表一類，哪個輸出神經元獲勝（所謂獲勝就是該單元的輸出遠大於其他單元的輸出），該樣本就是該輸出神經元所代表的那一類。
神經網絡的工作過程主要由學習期和工作期兩個階段組成。學習期就是對神經網絡的連接權值進行修改，工作期就是對於給定的輸入進行計算，得到識別結果。若希望神經網絡識別係統識別準確，除了好的網絡結構外，還需要有好的學習算法，即如何對神經網絡的連接權值修改。學習過程是十分重要的過程，神經網絡在此階段通過學習樣本或其它方法修改連接權值，使神經網絡輸出正確。神經網絡識別是麵向整個特征記憶的，並非隻根據某幾個特征，隻要大多數的特征是正確的，經各層神經元的計算，對應的輸出神經元還是能獲勝的。因此，它有良好的容錯能力。
一般神經網絡識別係統由預處理、特征提取和神經網絡分類器組成。預處理就是將原始數據中的無用信息刪除，並對數據進行平滑和幅度歸一化。由於神經網絡識別係統中的特征提取部分不一定存在，這樣係統就被劃分為兩大類：第一類是有特征提取的，這一類係統實際上是傳統方法與神經網絡方法技術的結合，這種方法可以充分利用人的經驗來獲取模式特征並運用神經網絡分類能力來識別對象。特征提取必須滿足提取後的特征能表示對象本身這一標準。第二類是無特征提取的，省去了特征提取步驟，將對象模式直接作為神經網絡的輸入，這種方式下，係統的神經網絡結構的複雜度相應增加，神經網絡結構要完全能夠自己消除模式變形帶來的影響。
選擇適當的網絡結構是構造神經網絡分類器的第一要務：神經網絡分類器的輸入就是模式的特征向量，神經網絡分類器的輸出節點應該是類別數。以字符識別為例，8個數字輸出層就有8個神經元，每個神經元代表一個數字，隱含層數要選好，每層神經元數要合適，目前多采用一層隱含層的網絡結構，然後要選擇合適的學習算法，這樣才有良好的識別效果。
在學習階段應該采用大量的樣本進行訓練學習，通過樣本的大量學習對神經網絡各層的連接權值進行調整，使其對樣本有正確的識別結果。這就像人對數字的記憶一樣，網絡中神經元就像是人腦細胞，權值的改變就像是人腦細胞的相互作用的改變，學習樣本時的網絡權值修正就相當於記住各個數字的形象，網絡權值就是網絡記住的內容，網絡學習階段就像人由不認識數字到認識數字反複學習的過程。因為神經網絡是按整個特征向量的整體來記憶對象的，隻要大多數特征符合曾經學習過的樣本就可識別為同一模式，所以當樣本存在較大噪聲時神經網絡分類器仍可正確識別。在識別階段，隻要將輸入進行預處理、特征提取然後得到特征向量作為神經網絡分類器的輸入，經過網絡的計算，分類器的輸出就是識別結果。