前言

人工智能(Artificial Intelligence,AI)已成为引领未来发展的战略性技术，而人工神经网络技术(Artificial Neural Network,ANN)则是人工智能领域最为重要的基础与核心技术之一。人工神经网络是一种受生物神经系统启发而构建的计算模型，通过模拟神经元之间的连接与信息传递机制，实现对复杂非线性关系的学习与建模。伴随着人工智能技术的飞速发展，人工神经网络已从早期的单层感知器发展为涵盖卷积神经网络、循环神经网络、生成对抗网络、图神经网络等在内的强大技术体系，广泛应用于图像识别、自然语言处理、智能控制、时序预测等关键领域。理解人工神经网络技术，不仅有助于理解现代智能系统的工作原理，更是参与人工智能时代创新实践的基本能力。无论是在科研探索中构建新型算法，还是在工程实践中解决真实世界的复杂问题，抑或是在跨学科场景中融合领域知识与数据驱动方法，人工神经网络都提供了强大的工具支撑和方法论基础。因此，掌握人工神经网络的基本原理与工程实践能力，已成为人工智能及相关专业人才不可或缺的核心素养。

为帮助读者高效、系统地掌握这一关键技术，本书以“理论适度、案例驱动、循序渐进、注重实践”为编写理念，构建了一条从基础认知到工程应用的清晰学习路径。全书强调“做中学”，通过真实应用场景引导技术学习，每章均围绕典型任务设计完整案例，支持读者复现、调试与拓展。同时，本书弱化繁复的数学推导，聚焦核心概念的理解与工具链的熟练使用，既便于教师开展项目式教学，也适合学生自主学习与动手实践。我们期望通过本书，帮助读者建立起扎实的人工神经网络知识体系，并具备将技术应用于实际问题的能力，为其后续科研、工程开发或跨学科创新奠定坚实基础。

1. 内容安排

第1章介绍人工神经网络的发展历程、基本概念与技术演进脉络，帮助读者建立整体认知框架。

第2章从单层感知器入手，系统讲解了单层感知器和多层感知器的结构、工作原理，并初步讨论了人工神经网络模型训练流程、参数调优等内容，为后续进一步深入学习人工神经网络模型奠定了理论与实践基础。

第3章介绍PyTorch的核心特性、安装配置以及开发方法，并概述常用辅助库等内容，为后续神经网络实现提供编程工具基础。

第4章聚焦卷积神经网络(CNN)，系统阐述CNN的基本原理、结构与工作过程； 通过MNIST手写数字识别案例，完整介绍了基于CNN的数据预处理、模型构建、训练、评估及结果可视化全过程。

第5章围绕计算机视觉重要任务——目标检测，从案例需求出发，讲解目标检测算法的设计思想脉络和基本原理，并结合实际需求，从推理到微调，解决实际工程任务。

第6章针对计算机视觉的另一核心任务——语义分割，讲解经典算法UNet的原理与实现，结合公开数据，演示真实世界场景下的分割模型。

第7章系统介绍循环神经网络(RNN)的基本原理、时间序列展开结构及梯度消失问题，重点讲解LSTM模型的门控机制； 并通过锂离子电池健康状态(SOH)预测案例，完整展示RNN开发应用的全过程。

第8章系统阐述生成对抗网络(GAN)的基本原理与对抗训练机制，并重点讲解DCGAN的卷积结构设计； 通过MNIST手写数字生成案例，演示GAN开发应用的全过程。

第9章介绍图神经网络(GNN)的基本思想与工作机制，并以药物蛋白质亲和力预测为例，完整展示基于GNN开发应用全过程。

第10章聚焦半监督学习，重点介绍标签传播、一致性正则化等算法的基本原理与实现，并通过遥感目标识别实践案例演示其在标注数据有限场景下的方案设计与评估过程； 探讨有限标签对于深度分类模型训练的影响。 

2. 读者对象

本书适合作为计算机类、人工智能、电子信息类、自动化类等相关专业本科高年级学生及研究生的教材，也可作为工程技术人员自学神经网络技术的实用指南。对于非计算机背景但希望将神经网络应用于本专业领域的读者，本书同样提供了友好的入门路径与实践支撑。

3. 编写说明及致谢

本书编写组主要由苏州科技大学电子与信息工程学院教师组成，他们是陆悠、程涵婧、沈忠伟、王陆平、王琛、陈静，本书在编写过程中还得到部分研究生的支持和协助，他们是沈浩、陈晨等，在此一并表示感谢。

本书获苏州科技大学研究生教材建设项目资助。

此外，本书在编写过程中得到了多方的大力支持。在此，谨向所有关心和支持本书编写的老师、同学和专家致以诚挚的感谢！

限于编者水平和时间仓促，书中难免存在不足和疏漏，欢迎读者批评指正。

编者

2026年5月