Neuraaliverkkoalgoritmeilla voidaan suorittaa eri tyyppisiä tehtäviä. Ensinnäkin ne voivat määrittää, mikä luokka vastaa parhaiten syötettä, eli kyse on luokitteluprosessista. Toiseksi neuraaliverkkoa voidaan käyttää assosiatiivisena muistina, jolloin joukko näytteitä talletetaan verkkoon, josta niitä myöhemmin haetaan syötteiden avulla. Jos syöte ei suoraan vastaa jotakin näytettä, verkko hakee parhaiten vastaavan näytteen. Kolmas tehtävä on jakaa syötteet erilaisiin ryhmiin tai suorittaa vektorikvantisointi, jolloin syötejoukon tiheysfunktiota approksimoidaan tai syötejoukkoa kompressoidaan.
Työssä on tutkittu neuraaliverkkoja yleiseltä kannalta ja verrattu niitä samoja tehtäviä tekeviin traditionaalisiin algoritmeihin. Lisäksi on tarkasteltu tarkemmin muutamaa algoritmia, kuten perceptron ja sen sovellutus backpropagation, Kohosen itseorganisoituva piirrekartta sekä oppiva vektorikvantisointi. Yhteisenä tekijänä näillä on, että ne kaikki käyttävät jatkuva-arvoisia syötteitä. Näistä verkoista on esitelty niiden ominaisimmat piirteet kuten opetustapa, verkon rakenne, opetuslait, algoritmit ja sovellutukset. Binäärisyötteitä käyttävät verkot kuten Hopfieldin, Hammingin ja Carpenter/Grossbergin verkot on käsitelty varsin lyhyesti.
Työn tarkoituksena on toimia johdantona neuraaliverkkoihin ja etsiä niille sovellutuskohteita fotogrammetrian ja kaukokartoituksen alalta.