神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的法數學模型。金剛石切割片神經網絡由神經元構成，不同的神經元的組合、信息傳導、信息理與信息存儲決定了不同的神經網絡的特性。神經網絡的功能與其內部神經元連接方式 、處理方式與互聯結構密切相關。

  神經元，又稱神經元或神經細胞，是神經系統的結構與功能單位之一，在馬路切割片神經網絡中，神經網絡本身由不同的神經元構成，并且神經元與神經元之間相互關聯每個神經元都表示一種特定輸出的函數，稱為激勵函數。每兩個神經元之間的關都表示一種對于通過該關聯信號的加權值，稱為權重。神經網絡輸出層要依賴神網絡內神經元之間的連接方式。馬路切割片神經元模型的建立包括兩部分，一部分是神經元建模，另一部分是激勵函數的選擇。 神經元的建模最早是由心理學家 McCulloch數學家 W. PittS 在分析總結神經元基本特性的基礎上首先提出的，當時的模型是 MP模型, 后來很多研究者將此模型不斷改進形成目前被廣泛應用的神經元模型。

  神經網絡解決問題的能力與功效除了與網絡結構有關外， 在很大程度上取于網絡所采用的激勵函數。激勵函數的基本作用主要包括：控制輸入與輸出的激活作用;將可能無限域的輸入變換成指定的有限范圍內的輸出。一般情況下，一個馬路切割片神經網絡是線性或非線性取決于神經網絡中的激勵函數的性質 ; 換句話激勵函數的線性或非線性決定了神經網絡的線性或非線性。常用的激勵函數有值型激勵函數、線性型激勵函數、非線性斜面函數和S型激勵函數。其中S型勵函數具有非線性放大增益，對任意輸入的增益等于在輸入/輸出曲線中該輸入的曲線斜率值, 函數本身及其導數都是連續的，因此在處理上十分方便。

  金剛石切割片神經網絡的網絡結構分為前饋型網絡和反饋型網絡兩種，其中前饋型網絡有單層神經元網絡模型結構和多層神經元網絡模型結構。并且，神經網絡的訓練方法也分為有導師指導的學習和無導師指導的學習。這里根據檢測系統的需要擇了多層映射逆傳播、有導師指導學習的BP神經網絡作為研究模型。

  通過閱讀渦流檢測的文獻得知，絕大多數的金剛石切割片渦流檢測文獻中都應用了神經絡法，并且很多是用來進行缺陷的分類，部分用來進行定量分析。神經網絡是一門交叉學科，是通過程序實現模擬人腦的結構和功能的一種系統。 通過輸入的大量樣本，進行自適應訓練，得出一些非線性關系的模型，能夠任意逼近任何非性映射，在很多領域中都得到了大量的應用。

  渦流檢測中的影響因素太多，導致對渦流檢測的定量分析研究很難有進展，金剛石切割片神經網絡的出現使得渦流檢測的定量分析有了新進展，并且通過對神經網絡的進和開拓又有了多種差異化的定量分析方法，如BP網絡法、RBF網絡法等。