多层感知机（multilayer perceptron），理学-计算机科学技术-计算机应用-多媒体计算-模式识别-神经网络-前馈神经网络，由输入层、隐藏层及输出层组成的人工神经网络模型，可以用于分类或回归任务。又称前馈神经网络。在多层感知机中，每一层由多个单元构成，每个单元都包含一个可微分的线性函数和激活函数，用以完成本层的输入向量到单元输出标量的映射。多层感知机不同层之间均为全连接，每一层内所有单元的输出将被连接到下一层的所有单元作为输入。多层感知机常用误差反向传播算法对模型参数进行优化。此模型被广泛应用于计算机视觉、自然语言处理等领域。罗森布拉特（Rosenblatt）在1962年提出了原始的单层感知机模型和学习算法用于解决回归问题。明斯基（Minsky）和派普特（Papert）于1969年从理论上证明了单层感知机的局限性。1986年鲁米哈特（Rumihart）等人基于单层感知机模型提出了多层感知机模型，成功解决了单层感知机的理论局限性；同时他们引入了误差反向传播算法对模型参数进行训练，取得了良好的效果。