像大脑一样，神经网络模型可以执行前馈和循环计算，包括多层线性-非线性信号转换（通常使用数百万个参数（连接权重）），并通过参数调整持续优化任务执行性能。一些研究使用神经网络模型作为用于验证的大脑信息处理模型。这些研究使用训练有素的深度卷积神经网络模型来识别图像中的对象，并在面对新图像时预测灵长类动物腹侧视觉区域的大脑表示。结果表明，深度神经网络的内部表示形式是目前下颞回中人和猴子视觉图像表示的最佳模型。当前有三种类型的认知模型：生产系统，强化学习模型和贝叶斯认知模型。生产系统提供了用于解释推理和解决问题的早期模型。具体条件涉及当前目标和内存中的知识，相应的操作可以修改目标和知识的内部状态。强化学习模型捕获代理如何通过与环境交互来学习如何最大化累积奖励，选择特定动作，观察环境的结果状态，在过程中获取奖励以及学习如何增加行为的发生率。代理可能已经学会了“价值功能”。与每个州及其预期的累积奖励相关联。强化学习理论扎根于心理学和神经科学领域，是当前机器学习和人工智能的重要理论，包括动态编程（DP），蒙特卡洛学习（Monte-Carlo learning）和穷举搜索（ExhausTIve Search）等算法。贝叶斯模型是指根据概率规则将当前数据与以前的经验相结合的推理模型。它有助于我们理解基本的感知和运动处理过程，还提供判断和决策等。对高级认知过程的洞察力将经典的认知偏差解释为先前假设的产物。从贝叶斯认知的角度来看，人类的思维从婴儿期就建立了世界的心理模型。这些模型不仅可以是概率生成模型，而且可以是因果关系和组合关系模型。通过重新组合元素，可以将模拟扩展到新的假设方案。这种建模方法已应用于我们关于物理学乃至社会世界的推理。 Marr等。提出理解复杂的生物系统需要三个层次的分析：计算层次；分析层次。表示和算法级别；神经生物学水平。认知科学从计算级别开始，将认知功能分解为各个组成部分，然后从上至下的角度开发算法和表示形式。计算神经科学从一个自下而上的角度出发，将神经元构建块组合成表示和算法。人工智能构建表示和算法，以将简单的组件组合成复杂的智能。这三个学科融合在大脑和认知的算法和表示上，从而产生了互补的约束。大脑的算法具有20瓦的功率预算，无论是贝叶斯算法还是神经网络算法，其统计和计算效率的结合都超越了当前的人工智能。关于思维和大脑的研究正进入一个特别令人兴奋的阶段。如果可以将认知科学，计算神经科学和人工智能结合起来，我们也许可以使用神经生物学上可靠的计算模型来解释人类的认知。 ，这不仅有助于我们对人脑信息处理的具体过程有更深入的了解，而且在一定程度上为人工智能算法的发展提供了有益的启示。