多层神经网络（Multi-Layer Neural Network），也称为深度神经网络（Deep Neural Network，DNN），是一种包含多个处理层的神经网络模型。它模仿了人脑神经元的工作方式，通过多层节点（或称为神经元）之间的连接进行信息传递和处理。
在多层神经网络中，通常包括以下几个层次：
1. 输入层（Input Layer）：接收输入数据，并将其传递给下一层。
2. 隐藏层（Hidden Layers）：位于输入层和输出层之间，负责对输入数据进行处理和特征提取。隐藏层的数量和每个隐藏层的神经元数量可以根据具体问题进行调整。
3. 输出层（Output Layer）：根据隐藏层处理后的数据，输出最终结果。
多层神经网络的特点如下：
非线性处理能力：通过非线性激活函数（如Sigmoid、ReLU等）在隐藏层中进行非线性变换，使得模型能够处理非线性问题。
特征提取能力：随着层数的增加，模型能够从原始数据中提取更高级的特征。
泛化能力：多层神经网络具有较好的泛化能力，能够处理未见过的数据。
多层神经网络在图像识别、语音识别、自然语言处理等领域得到了广泛应用。然而，随着层数的增加，模型也容易出现过拟合（Overfitting）和梯度消失（Gradient Vanishing）等问题。为了解决这些问题，研究人员提出了多种优化算法和正则化方法。
