BP神经网络全称为多层前馈神经网络，其用于解决非线性问题。整个神经网络的步骤为：输入层接收外界的输入，隐藏层和输出层的神经元对输入的特征或信号通过权重矩阵进行加工，最终输出结果。过程中最重要的是获得加工所要的权重，本质上说神经网络的学习过程就是在学习神经元与神经元之间连接的权重。
经典的BP神经网络通常由三层组成: 输入层， 隐含层与输出层.通常输入层神经元的个数与特征数相关，输出层的个数与类别数相同， 隐含层的层数与神经元数均可以自定义：
每个神经元代表对数据的一次处理:
每个隐含层和输出层神经元输出与输入的函数关系为:
中Wij表示神经元i与神经元j之间连接的权重，Oj代表神经元j的输出， sigmod是一个特殊的函数用于将任意实数映射到(0，1)区间.
上文中的sigmod函数称为神经元的激励函数
上述过程一般称为前馈， 该过程中神经网络的输入输出与多维函数无异.
