Το αντικείμενο των τεχνητών νευρωνικών δικτύων γνωρίζει ραγδαία ανάπτυξη τα τελευταία 25 χρόνια και αποτελεί πλέον ένα ευρύ και αυτόνομο επιστημονικό πεδίο, που σχετίζεται με το γενικότερο πλαίσιο της τεχνητής νοημοσύνης και των ευφυών συστημάτων.

Στο βιβλίο αυτό περιγράφονται με συστηματικό τρόπο τα σημαντικότερα μοντέλα νευρωνικών δικτύων, ξεκινώντας από το απλό μοντέλο Perceptron του ενός νευρώνα και συνεχίζοντας με τα δίκτυα Perceptron πολλών στρωμάτων και τον αλγόριθμο εκπαίδευσης Back Propagation, τα δίκτυα Radial Basis Function (RBF), τα αυτο-οργανούμενα δίκτυα, όπως το μοντέλο SOM, τα γραμμικά και μη-γραμμικά Χεμπιανά μοντέλα μάθησης, τις μηχανές διανυσμάτων υποστήριξης (SVM), τα δυναμικά μοντέλα, όπως το μοντέλο Hopfield, και πολλά άλλα.

Όλα τα μοντέλα κατηγοριοποιούνται με βάση τον τρόπο εκπαίδευσής τους, ενώ ο αναγνώστης εισάγεται στο γενικότερο πρόβλημα της μάθησης και της αυτοπροσαρμογής ενός υπολογιστικού συστήματος.

Δίνεται το αναγκαίο μαθηματικό υπόβαθρο για την κατανόηση της λειτουργίας των δικτύων, χωρίς να είναι απαραίτητες μαθηματικές γνώσεις υψηλού επιπέδου. Ιδιαίτερη έμφαση δίνεται, επίσης, στην αλγοριθμική διάσταση των μοντέλων, καθώς τα σημαντικότερα από αυτά συνοδεύονται από το σχετικό ψευδοκώδικα.

Τέλος, οι εφαρμογές των νευρωνικών δικτύων αποτελούν σημαντικό κομμάτι του βιβλίου, δεδομένου ότι συνιστούν βασικό κίνητρο για τη μελέτη και την ανάπτυξή τους. Περιγράφονται εφαρμογές που καλύπτουν ποικίλες περιοχές, όπως η αναγνώριση προτύπων, η επεξεργασία σήματος και εικόνας, η συμπίεση πληροφορίας, η μοντελοποίηση και αναγνώριση συστημάτων κ.λπ.