Umjetni neuron je matematička funkcija u programiranju softvera za računalne sustave koja u određenoj mjeri pokušava oponašati složenu interakciju bioloških neurona ili stanica koje provode impulse u ljudskom mozgu i živčanom sustavu. Prvu verziju umjetnog neurona stvorili su 1943. Warren McCulloch i Walter Pitts kao oblik binarnog neurona, gdje je ulaz mogao biti ili vrijednost 1 ili -1. Kombinacija ovih ulaza zajedno se ponderira. Ako je određeni prag prevladan, izlaz umjetnog neurona je 1, a ako su ulazi nedostatni kada se kombiniraju, izlaz je vrijednost -1.
Zajedno, zbirka međusobno povezanih umjetnih neurona trebala bi funkcionirati na neki osnovni način kao i ljudski mozak. Takav dizajn umjetne neuronske mreže smatra se ključnom odskočnom daskom na putu razvoja umjetnog života, sintetskih računalnih sustava koji mogu razumjeti u određenom svojstvu kao i ljudska bića. Inteligentni računalni sustavi danas već koriste neuronske mreže koje omogućuju paralelnu obradu unosa podataka na brži način od tradicionalnog linearnog računalnog programiranja.
Primjer rada sustava koji ovisi o umjetnom neuronu je sustav za zaštitu usjeva razvijen 2006. godine, koji je koristio leteće vozilo za skeniranje uvjeta usjeva na prisutnost sezonskih bolesti i štetnika. Softver neuronske mreže odabran je za kontrolu skeniranja usjeva, budući da su neuronske mreže u biti računala koja uče. Kako im se unosi više podataka o lokalnim uvjetima, postaju učinkovitiji u otkrivanju problema tako da se mogu brzo kontrolirati prije nego što se šire. S druge strane, standardni kompjuterski kontrolirani sustav jednako bi tretirao cijelo polje usjeva, bez obzira na različite uvjete u pojedinim dijelovima. Bez stalnog reprogramiranja od strane dizajnera, pokazao bi se mnogo neučinkovitijim od sustava koji se temelji na adaptacijama umjetnih neurona.
Softver neuronske mreže također nudi prednost da ga mogu prilagoditi inženjeri koji nisu pobliže upoznati s osnovnim dizajnom softvera na razini kodiranja. Softver se može prilagoditi širokom rasponu uvjeta i stječe stručnost jer je izložen tim uvjetima i prikuplja podatke o njima. U početku će neuronska mreža proizvoditi netočne rezultate kao rješenja problema, ali kako se taj izlaz proizvodi, on se vraća u sustav kao ulaz i kontinuirani proces pročišćavanja i vaganja podataka vodi ga do sve točnijeg razumijevanja stvarnih svjetskim uvjetima, uz dovoljno vremena i povratnih informacija.
Prilagodba načina na koji je neuronska mreža dizajnirana dovela je do drugih vrsta umjetnih neurona osim osnovne binarne neuronske strukture stvorene 1943. Polulinearne neuronske mreže uključuju i linearne i nelinearne funkcije koje se aktiviraju uvjetima. Ako problem koji se analizira prikazuje uvjete koji nisu linearni, ili nisu jasno predvidljivi, a nisu minorni, tada se nelinearne funkcije sustava koriste tako da im se pridaje veća težina od linearnih izračuna. Kako se obuka neuronskog sustava nastavlja, sustav postaje sve bolji u kontroli uvjeta u stvarnom svijetu koje prati u odnosu na idealne uvjete sustava. To često uključuje inkorporiranje neuro-fuzzy modela u neuronsku mrežu, koji su u stanju uzeti u obzir stupnjeve nepreciznosti u stvaranju smislenih izlaznih i kontrolnih stanja.