神經網絡沒有一個嚴格的正式定義。它的基本特點，是試圖模仿大腦的神經元之間傳遞，處理信息的模式。

　　一個計算模型，要劃分為神經網絡，通常需要大量彼此連接的節(jié)點 （也稱 ‘神經元’），并且具備兩個特性：

　　每個神經元，通過某種特定的輸出函數 （也叫激勵函數 activation function），計算處理來自其它相鄰神經元的加權輸入值。

　　神經元之間的信息傳遞的強度，用所謂加權值來定義，算法會不斷自我學習，調整這個加權值。

　　在此基礎上，神經網絡的計算模型，依靠大量的數據來訓練，還需要：

　　成本函數 （cost function）：用來定量評估根據特定輸入值， 計算出來的輸出結果，離正確值有多遠，結果有多靠譜。

　　學習的算法 （ learning algorithm ）：這是根據成本函數的結果， 自學， 糾錯， 最快地找到神經元之間最優(yōu)化的加權值。

　　深度學習的概念由Hinton等人于2006年提出?；谏疃戎眯?a href='http://cshb120.cn/v/tag/1722/' target='_blank' class='arckwlink_none'>網絡（DBN）提出非監(jiān)督貪心逐層訓練算法，為解決深層結構相關的優(yōu)化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。

　　深度學習是機器學習中一種基于對數據進行表征學習的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實例中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監(jiān)督式或半監(jiān)督式的特征學習和分層特征提取高效算法來替代手工獲取特征。

　　邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。 這些包括（i）深度上的不連續(xù)、（ii）表面方向不連續(xù)、（iii）物質屬性變化和（iv）場景照明變化。 邊緣檢測是圖像處理和計算機視覺中，尤其是特征提取中的一個研究領域。