人工神经网络，是一种基于人脑与神经系统研究所启发并发展起来的信息处理技术。人脑是相互联系的神经元的集合，同样，采用硬件或是软件构建的人工神经元与生物神经元的行为方式基本相似。一般而言，人工神经网络是由处理单元组成层，再由各层形成网络。

用于财务危机预警的人工神经网络模型，一般利用一组案例（即系统输入与输出所组成的数据）建立系统模型（输入与输出间的关系）。这一具体过程是，人工神经网络模型接收一组输入信息并产生反应，然后与预期反应相比较。如果错误率超过可以接受的水平，需要对权重做出修改或增加隐藏层数目并开始新的学习过程。经过反复循环，直至错误率降低到可以接受的水平，即降至最大许可预测错误率之下，此时，不断反复的训练过程才停止，学习过程结束并锁定权重。训练阶段结束后，人工神经网络就可以发挥预测功能了。不难看出，这种处理过程与传统回归模型基本相似，唯一不同之处在于权重是经过反复试错而得到的，而不是给出解析解的方法。

人工神经网络技术由于其具有自我学习、推理联想、归纳判断、积累经验的能力，所以当代的很多企业财务预警研究都将目光投到了神经网络技术上。人工神经网络技术模型不要求样本符合常态假设（如符合正态分布等），也不存在变量的共线性问题的影响，而且人工神经网络通过样本学习来获得输入、输出间的客观关系，减少了人为主观因素的干扰。

Odom（1990）是较早运用人工神经网络方法的研究人员。他以1975至1982年间64家失败企业和64家正常企业作为样本，并将样本区分为学习样本与测试样本两组。选取了奥特曼（Altman）在1968年研究中的5个财务比率作为输入变量，比较了人工神经网络模型和奥特曼（Altman）判别分析法在企业失败前一年的判别能力。研究结果表明，在学习样本方面，人工神经网络的准确率高达100%，而判别模型的准确率为86.84%。在测试样本方面，人工神经网络的准确率为81.18%，而判别分析的准确率为74.28%。这表明人工神经网络模型的预警效果较佳。

人工神经网络应用于企业财务危机判定与预测分析与非线性判别十分相似，但它放松了危机预测函数的变量是线性且互相独立的假定，增强了模型的适应性。同时，财务危机的神经网络模型能够深入挖掘预测变量之间隐藏的相关关系。人工神经网络模型不足之处是分析权重的过程复杂且难以解释，完全是一个黑箱，难以验证。