本书从两大部分阐述了神经网络与深度学习的基本理论：一是神经网络；二是深度学习。系统地整理了神经网络与深度学习的知识体系，由浅入深地进行了详细讲解。全书共13章，第1章介绍神经网络的概念、发展历史、研究内容、应用领域以及神经网络与深度学习的关系。其后12章的内容分为两大部分：第一部分（第2～7章）阐述了6种典型的神经网络模型，即M-P模型、感知机模型、BP神经网络、Hopfield神经网络、玻耳兹曼机、自组织神经网络等。第二部分（第8～13章）阐述了深度学习的6种经典模型，即深度神经网络、深度置信网络、卷积神经网络、循环神经网络、生成式对抗网络、图神经网络等。详细介绍了它们的网络结构、学习算法、工作原理、应用实例及操作实践，使学生在全面掌握神经网络与深度学习相关知识的同时，提高动手能力，并提高应用神经网络与深度学习技术来解决实际问题的能力。每章后面附有习题，以供读者练习。
本书还增加了课程思政的内容，在介绍各种神经网络与深度学习模型的基本原理、具体应用场景以及实践运用的同时，引导学生明晰技术前沿发展，明确领域社会价值，树立远大职业理想，深刻认识个人专业对国家发展和社会建设以及历史进程的推动影响。培养学生精益求精的工匠精神、刻苦钻研的探索精神和团队协作的共赢精神，永不停顿地对未知领域进行探究，不仅有助于促进个人发展更有助于推动社会形成强大而持久的生产力和创造力。
本书可作为计算机科学与技术、智能科学与技术、人工智能、数据科学与大数据技术、自动化、机器人工程等专业的教材，也可供相关领域的研究人员和工程技术人员参考。

第1章 绪论
1.1 神经网络的概念
1.2 神经网络的发展历史
1.2.1 启蒙时期
1.2.2 萧条时期
1.2.3 复兴时期
1.2.4 高潮时期
1.3 神经网络的研究内容
1.3.1 神经元模型
1.3.2 神经网络的结构
1.3.3 神经网络与深度学习的学习算法
1.4 神经网络的应用领域
1.4.1 自然语言处理
1.4.2 推荐系统
1.4.3 医学领域
1.4.4 网络空间安全
1.4.5 控制领域
1.4.6 交通领域
1.4.7 心理学领域
1.5 神经网络与深度学习的关系
1.6 习题
第2章 神经网络基础
2.1 生物神经系统
2.1.1 生物神经元的结构
2.1.2 生物神经元的功能
2.1.3 生物神经元和人工神经元的区别
2.2 人工神经元模型
2.2.1 人工神经元的结构
2.2.2 激活函数
2.2.3 其他常用激活函数
2.3 M-P神经元模型
2.3.1 基础M-P神经元模型
2.3.2 延时M-P模型
2.3.3 改进的M-P模型
2.4 神经网络的互连结构
2.5 神经网络的学习
2.5.1 神经网络的学习方式
2.5.2 神经网络的学习规则
2.6 本章实践
2.7 习题
第3章 感知机
3.1 感知机原理
3.1.1 单层感知机
3.1.2 多层感知机
3.2 感知机模型
3.3 感知机算法
3.3.1 随机梯度下降法
3.3.2 感知机学习算法
3.4 感知机改进算法
3.5 本章实践
3.6 习题
第4章 误差反向传播神经网络
4.1 BP神经网络结构
4.2 BP学习算法
4.2.1 BP算法的过程
4.2.2 BP神经网络的优化算法
4.3 BP神经网络学习算法的改进与优化
4.3.1 BP神经网络的优点
4.3.2 BP算法存在的问题
4.3.3 累积误差算法的BP神经网络
4.3.4 Sigmoid函数输出限幅的BP算法
4.3.5 增加动量项的BP算法
4.3.6 学习率自适应调整算法
4.4 BP神经网络的应用
4.5 本章实践
4.6 习题
第5章 Hopfield神经网络
5.1 Hopfield神经网络概述
5.2 离散型Hopfield神经网络
5.2.1 离散型Hopfield神经网络结构及工作方式
5.2.2 离散型Hopfield神经网络的吸引子与能量函数
5.2.3 离散型Hopfield神经网络的连接权值设计
5.2.4 离散型Hopfield神经网络的信息存储容量
5.3 连续型Hopfield神经网络
5.3.1 连续型Hopfield神经网络的结构
5.3.2 连续型Hopfield神经网络的神经元
5.3.3 连续型Hopfield神经网络的能量函数
5.4 Hopfield神经网络的应用
5.4.1 离散型Hopfield神经网络的应用
5.4.2 连续型Hopfield神经网络的应用
5.5 本章实践
5.5.1 离散型Hopfield神经网络实践
5.5.2 连续型Hopfield神经网络实践
5.6 习题
第6章 玻耳兹曼机
6.1 随机型神经网络概述
6.2 玻耳兹曼机原理
6.2.1 玻耳兹曼机的网络结构
6.2.2 玻耳兹曼机的能量函数及玻耳兹曼分布
6.2.3 玻耳兹曼机的运行规则
6.2.4 玻耳兹曼机的联想记忆
6.3 受限玻耳兹曼机原理
6.3.1 受限玻耳兹曼机的网络结构
6.3.2 受限玻耳兹曼机的能量函数
6.3.3 受限玻耳兹曼机的运行规则
6.3.4 受限玻耳兹曼机的应用
6.4 本章实践
6.5 习题
第7章 自组织神经网络
7.1 自组织神经网络概述
7.2 竞争学习
7.2.1 竞争学习的概念
7.2.2 竞争学习规则
7.3 自组织神经网络原理
7.3.1 自组织神经网络的概念
7.3.2 自组织神经网络的结构
7.3.3 自组织神经网络的设计
7.3.4 自组织神经网络的权值调整域
7.3.5 自组织神经网络的运行原理与学习算法
7.3.6 自组织神经网络应用实例
7.4 改进的自组织神经网络模型
7.4.1 采用混合高斯模型的自组织神经网络
7.4.2 动态自组织神经网络模型
7.5 本章实践
7.6 习题
第8章 深度神经网络
8.1 深度神经网络概述
8.2 深度神经网络的网络结构
8.2.1 深度神经网络的基本结构
8.2.2 深度神经网络的前向传播
8.2.3 深度神经网络的反向传播
8.3 深度神经网络的优化
8.3.1 损失函数的选择
8.3.2 参数优化
8.3.3 正则优化
8.4 深度神经网络的应用
8.5 本章实践
8.6 习题
第9章 深度置信网络
9.1 深度置信网络概述
9.2 深度置信网络的网络结构
9.2.1 深度置信网络的基础结构
9.2.2 DBN-DNN的训练过程
9.3 改进的深度置信网络算法
9.4 深度置信网络的应用
9.5 本章实践
9.6 习题
第10章 卷积神经网络
10.1 卷积神经网络概述
10.2 卷积神经网络基本部件
10.2.1 输入层
10.2.2 卷积层
10.2.3 池化层
10.2.4 激活层
10.2.5 全连接层
10.2.6 目标函数
10.2.7