KNN sind Netze aus künstlichen Neuronen (Units, Knoten) als Forschungsgegenstand der Neuroinformatik und stellen einen Zweig der Künstlichen Intelligenz dar.

KNN haben ebenso wie künstliche Neuronen, ein biologisches Vorbild. Angelehnt an die Biologie ist ein künstliches Neuron ein ‘Ding’, welches auf einen oder mehrere Reize stärker oder schwächer reagiert, je nachdem wie massiv es aktiviert bzw. der Reiz gewichtet ist. Ein KNN ist damit eine Abstraktion (Modellbildung) von nicht trivialer Informationsverarbeitung und besteht grundsätzlich aus einer Eingangs- und einer Ausgangsschicht. Dazwischen liegen 1-n Aktivitätsschichten, auch als verborgene Schichten (hidden layers) bezeichnet (verborgen deshalb, da immer zwischen Eingangs- und Ausgangsschicht liegend). KNN müssen in der Regel immer trainiert werden, bevor sie Problemstellungen lösen können.

Dabei gewichtet das Neuronale Netz die Verbindungen der Neuronen anhand von vorgegebenem Lernmaterial und Lernregeln (ein bestimmter Algorithmus), bis es eine bestimmte „Intelligenz“ bzw. ein vorgegebenes Lernziel entwickelt hat. Lernregeln geben vor, wie das Lernmaterial das Neuronale Netz verändert. Neben verschiedenen Lernregeln gibt es auch unterschiedliche Lernmethoden (siehe Maschinelles Lernen – unter nicht-symbolische Ansätze).

Eine Klasse von Optimierungsmethoden Künstlicher Neuronaler Netze ist das Deep Learning (DL). Charakteristisch sind dabei die zahlreichen Zwischenlagen (englisch hidden layers) inmitten von Eingabeschicht und Ausgabeschicht. In Erweiterungen der Lernalgorithmen für Netzstrukturen mit sehr wenigen Zwischenlagen, ermöglichen die Methoden des DL auch bei zahlreichen Zwischenlagen einen stabilen Lernerfolg.

Die Nachteile von DL sind die sehr geringe Erklärbarkeit und Nachvollziehbarkeit der Ergebnisse, aufgrund der komplexen und stark nichtlinearen Struktur der meisten DL-Methoden und der notwendigen gewaltigen Menge an Eingabe- und Lerndaten. In dieser Konsequenz können systematische Fehler in der Lernphase kaum erkannt werden und zu Verzerrungen (Bias) im Ergebnis führen.