专家系统作为为人们提供专业知识的工具，越来越受到用户们的喜爱。然而传统的专家系统只能在有限的定制式的规则中寻求答案，对于一个庞大的知识库，或者复杂难解的数据结构，亦或者一个几乎无规则可循的知识集合，传统专家系统就显得无能为力了。因此有人就提出使用人工神经网络开发专家系统的推理机机制，于是“人工神经网络专家系统”的概念也就应运而生。
专家系统是一种能在专家水平上工作的计算机程序系统，是人工智能的一个最重要而活跃的分支，其使用弥补了人类专家不足等困难，并能利用、保存和推广专家的知识和经验，可以博采众长，其工作不受环境和时间限制等许多优点。专家系统的研究和应用已迅速渗透到各个领域，并已发挥了巨大的作用。然而，专家系统的一个主要局限性是事实上人类专家并不总是用规则来思考、解决问题，专家系统没有真正模仿人类专家的推理过程。此外，专家系统还存在知识获取的瓶颈问题、学习能力较差、处理大型复杂问题较为困难等局限性。
近年来，人工神经网络的研究取得了很大进展已被广泛地应用于图象识别、语音识别、模式识别、信号处理、组合优化等方面，并且取得了良好的效果。神经网络通过训练数据调整系统，以解决问题。对于那些因问题太复杂或没有人类专家又没有规则的问题，神经网络则得心应手。如果有了训练数据，神经网络就会学习到足够的信息，运行结果和专家系统一样好或比其更好。神经网络的修改也比较容易，通过对一组新的训练数据集合重新训练，而不用修改程序或重新构造规则。神经网络的这种数据特性，允许当环境和场台改变时进行调整。神经网络的另一优点是网络训练好后的运行速度，并且当使用神经芯片时速度会大大提高。但是由于规则是用数字权值表示的，故目前还不能解释神经网络中的规则和推理过程。神经网络具有提供一些人类解决问题特征的潜力，而这些特征很难用专家系缆的逻辑分析技术和标准软件技术模仿。例如，神经网络能在规则未知的情况下，分析大量数据以建立有关模式和特征，并在很多情况下能利用不完全的或含有噪声的数据。这些能力对于传统的符号/逻辑方法是很困难的。
因此，把神经网络和专家系统结台起来建立混合系统，其功能要比单一的专家系统或神经网络系统更强有力，且其解决问题的方式更与人类智能相似，专家系统可代表智能的认知性，神经网络可代表智能的感知性。我们把神经网络和专家系统的混合系统简称为神经网络专家系统。
神经网络专家系统是一种新型智能系统，目前，神经网络专家系统在以下领域获得了应用：
(1)医疗诊断，例如Gallant的连接专家系统和Satio的基于PDP模型的专家系统；
(2)工程设计，例如Foss的用于窗用玻璃设计的LAM系统；
(3)工业监控，例如Tsoukalas的核电站监控系统；
(4)机械制造，例如Chen的机械装CAAPS系统；
(5)化学，例如Wilson的化学油罐PH值控制系统；
(6)图像处理和模式识别；
(7)生物；
(8)实时控制。
神经网络系统最主要的特征是大规模模拟并行处理信息的分布式存贮、连续时间非线性动力学、全局集体作用、高度的容错性和鲁棒性、自组织自学习及实时处理。它可直接输入范例，信息处理分布于大量神经元的互连之中，并且具有冗余性，许许多多种经元的“微”活动构成了神经网络总体的“宏”效应，这些也正是它与传统的AI的差别所在。
分布性是神经网络之所以能够触动专家系统中知识获取这个瓶颈问题的关键所在。与传统计算机局域式信息处理方式不同，神经网络是用大量神经元的互连及对各连接权值的分布来表示特定的概念或知识。在进行知识获取时，它只要求专家提供范例(或实例)及相应的解，通过特定的学习算法对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，把专家求解实际问题的启发式知识和经验分布到网络的互连及权值分布上。对于特定输入模式，神经网络通过前向计算，产生一输出模式，其中各个输出节点代表的逻辑概念同时被计算出来，特定解是通过比较输出节点和本身信号而得到的，在这个过程中其余的解同时被排陈，这就是神经网络并行推理的基本原理。在神经网络中，允许输入偏离学习样本，但只要输入模式接近于某一学习样本的输入模式，则输出亦接近学习样本的输出模式，这种性质使得神经网络专家系统具有联想记忆的能力。
温馨提示：
