Lernen in künstlichen neuronalen Netzen bedeutet im Allgemeinen, Allgorithmen zu finden, die die Verbindungsgewichte (wij ) zwischen den Neuronen so anpassen, dass das neuronale Netz bei Eingabe eines Musters die gewünschte Ausgabe berechnet. Siehe hierzu auch im Abschnitt die Hebb'sche Lernregel.

In neuronalen Netzen kann man zwischen drei Arten des Lernens unterscheiden.

• Überwachtes Lernen (supervised learning)
• Bestärkendes Lernen (reinforcement learning)
• Unüberwachtes Lernen (unsupervised learning)

Beim überwachten Lernen sind Eingabemuster und das gewünschte Ausgabemuster bekannt. Das neuronale Netz kann das jeweils gewünschte Ausgabemuster mit dem momentan berechneten Ausgabemuster vergleichen. Das Netzwerk ändert mit jeder Präsentation eines Eingabemusters die Gewichte zwischen den Neuronen selbständig und lernt, die Eingabemuster mit dem gewünschten Ausgabemuster richtig zu assoziieren. Dieses Lernverfahren ist sehr schnell.

Beim bestärkenden Lernen stehen dem neuronalen Netz nicht so viele Informationen zur Verfügung wie beim überwachten Lernen. Das Netzwerk bekommt nur die Information, ob die Ausgabemuster richtig oder falsch klassifiziert wurden, mehr nicht. Die Aufgabe, das richtige Ausgabemuster zu finden, muss also das Netz selbst leisten. Diese Lernmethode ist nicht so schnell wie das überwachte Lernen. Wenn man neuronale Netze als Modelle für reale biologische Systeme betrachtet, hat diese Methode allerdings den Vorteil, dass sie biologisch leichter zu begründen ist als dies beim überwachten Lernen der Fall ist.