神经网络计算系统，是在模拟人脑神经组织结构基础上发展起来的全新的计算系统。它是由大量简单计算单元通过丰富联结而构成的复杂计算网络，在一定程度上体现了人脑的部分功能。正是由于这一特点，神经网络计算系统被认为是实现人工智能的一种有效途径。

人工智能和机器人工程的许多研究表明，传统的数字计算机在这些领域的应用方面有三个根本的弱点：一是传统计算机的运行必须按事先设计好的一整套精确的串行算法来进行，但对很多实际问题很难找到（甚至不存在）类似的串行算法，如对于连续语音的辨识等；二是传统计算机的串行结构在根本上限制了其运算速度，从而对许多数据量很大的实际问题做不到实时处理；三是传统计算机容错性较差。尽管近几年来并行处理系统有很大发展，但是并不能从根本上解决问题。神经网络正是为克服这些弱点而提出的新的计算思想和计算系统。
与传统计算机不同，多数神经网络并不需要事先设计出解决问题的算法。它根据所给定的一连串例子和一些必要的住处进行训练，并且通过不断学习和不断的纠错在网络内部建立起解决这类问题的一般方法。训练好的网络即可用于解决此类实际问题。神经网络的优越性还表现在高度并行性和容错性上。由于它的结构特征，使所有（或在同一层的）处理单位都能够同时进行住处传输和处理；另一方面，局部单元的损坏对网络的总体性能影响很小。由此可见，神经网络解决问题的方法与人类解决问题的方法更加接近。
与传统计算机相比，神经网络是根据具体问题而设计的，不具有通用性，因此现有的神经网络以形形色色的拓扑结构来适应不同的应用需要。
目前的趋势是把传统计算机与神经网络有机地结合起来，充分发挥传统机在输入输出和精确计算方面的优势，同时发挥神经网络处理复杂问题方面的优势以解决实际问题。显然，神经网络计算机的一些特殊性使其难以完全取代现有的、经过长期改进完善的计算机系统，这一问题也是目前研究的课题之一。