Sztuczny neuron to funkcja matematyczna w programowaniu systemów komputerowych, która w pewnym stopniu próbuje naśladować złożoną interakcję neuronów biologicznych lub komórek przewodzących impulsy w ludzkim mózgu i układzie nerwowym. Pierwsza wersja sztucznego neuronu została stworzona w 1943 roku przez Warrena McCullocha i Waltera Pittsa jako forma neuronu binarnego, gdzie wejście mogło mieć wartość 1 lub -1. Razem kombinacja tych danych wejściowych jest ważona. Jeśli pewien próg zostanie przekroczony, wyjście sztucznego neuronu wynosi 1, a jeśli dane wejściowe są niewystarczające w połączeniu, wyjście ma wartość -1.
Wspólnie zbiór połączonych ze sobą sztucznych neuronów ma działać w pewien podstawowy sposób, podobnie jak ludzki mózg. Takie sztuczne projektowanie sieci neuronowych jest postrzegane jako kluczowy krok na drodze do rozwoju sztucznego życia, syntetycznych systemów komputerowych, które potrafią rozumować w pewnym stopniu tak jak ludzie. Już dziś inteligentne systemy komputerowe wykorzystują sieci neuronowe, które umożliwiają równoległe przetwarzanie wprowadzanych danych w sposób szybszy niż tradycyjne liniowe programowanie komputerowe.
Przykładem działającego systemu zależnego od sztucznego neuronu jest system ochrony upraw opracowany w 2006 roku, w którym wykorzystano latający pojazd do skanowania warunków upraw pod kątem występowania chorób sezonowych i szkodników. Oprogramowanie sieci neuronowej zostało wybrane do kontrolowania skanowania upraw, ponieważ sieci neuronowe to zasadniczo uczące się komputery. W miarę jak wprowadza się do nich coraz więcej danych dotyczących warunków lokalnych, stają się one skuteczniejsze w wykrywaniu problemów, dzięki czemu można je szybko kontrolować, zanim się rozprzestrzenią. Z drugiej strony, standardowy system sterowany komputerowo traktowałby całe pole upraw jednakowo, niezależnie od różnych warunków w niektórych sekcjach. Bez ciągłego przeprogramowywania przez projektantów okazałby się znacznie bardziej nieefektywny niż system oparty na adaptacjach sztucznych neuronów.
Oprogramowanie sieci neuronowych ma również tę zaletę, że można je dostosować przez inżynierów, którzy nie są dogłębnie zaznajomieni z podstawowym projektem oprogramowania na poziomie kodowania. Oprogramowanie można dostosować do szerokiego zakresu warunków i zyskuje biegłość, ponieważ jest wystawione na te warunki i gromadzi dane na ich temat. Początkowo sieć neuronowa będzie generować nieprawidłowe dane wyjściowe jako rozwiązania problemów, ale gdy te dane wyjściowe są wytwarzane, są wprowadzane z powrotem do systemu jako dane wejściowe, a ciągły proces udoskonalania i ważenia danych prowadzi je do coraz dokładniejszego zrozumienia rzeczywistych warunkach na świecie, biorąc pod uwagę wystarczającą ilość czasu i informacji zwrotnych.
Adaptacja w sposobie projektowania sieci neuronowej doprowadziła do powstania innych typów sztucznych neuronów poza podstawową strukturą neuronów binarnych stworzoną w 1943 roku. Półliniowe sieci neuronowe zawierają zarówno funkcje liniowe, jak i nieliniowe, które są aktywowane przez warunki. Jeśli analizowany problem przedstawia warunki, które nie są liniowe lub nie są wyraźnie przewidywalne i nie są niewielkie, wówczas wykorzystuje się nieliniowe funkcje systemu, przypisując im większą wagę niż obliczeniom liniowym. W miarę kontynuowania treningu systemu neuronowego system staje się lepszy w kontrolowaniu monitorowanych warunków świata rzeczywistego w porównaniu z idealnymi warunkami systemu. Często wiąże się to z włączeniem modeli neurorozmytych do sieci neuronowej, które są w stanie uwzględnić stopień niedokładności w wytwarzaniu znaczących stanów wyjściowych i kontrolnych.