Umetni nevron je matematična funkcija v programiranju programske opreme za računalniške sisteme, ki poskuša do neke mere posnemati kompleksno interakcijo bioloških nevronov ali celic, ki vodijo impulze, v človeških možganih in živčnem sistemu. Prvo različico umetnega nevrona sta leta 1943 ustvarila Warren McCulloch in Walter Pitts kot obliko binarnega nevrona, kjer je lahko vhod vrednost 1 ali -1. Kombinacija teh vložkov je ponderirana. Če je določen prag presežen, je izhod umetnega nevrona 1, in če so vhodi nezadostni, ko so združeni, je izhod vrednost -1.
Skupaj naj bi zbirka medsebojno povezanih umetnih nevronov delovala na nek osnovni način, tako kot človeški možgani. Takšno oblikovanje umetne nevronske mreže se obravnava kot ključna odskočna deska na poti k razvoju umetnega življenja, sintetičnih računalniških sistemov, ki lahko razmišljajo v določeni meri kot ljudje. Inteligentni računalniški sistemi danes že uporabljajo nevronske mreže, ki omogočajo vzporedno obdelavo vhodnih podatkov na hitrejši način kot tradicionalno linearno računalniško programiranje.
Primer delujočega sistema, ki je odvisen od umetnega nevrona, je leta 2006 razvit sistem za zaščito pridelkov, ki je z letečim vozilom skeniral razmere pridelka glede prisotnosti sezonskih bolezni in škodljivcev. Programska oprema za nevronske mreže je bila izbrana za nadzor skeniranja pridelkov, saj so nevronske mreže v bistvu računalniki, ki se učijo. Ker se jim o lokalnih razmerah vnese več podatkov, postanejo učinkovitejši pri odkrivanju težav, tako da jih je mogoče hitro nadzorovati, preden se razširijo. Standardni računalniško voden sistem pa bi enakovredno obravnaval celotno polje pridelkov, ne glede na različne pogoje na določenih odsekih. Brez nenehnega reprogramiranja s strani oblikovalcev bi se izkazalo za veliko bolj neučinkovitega kot sistem, ki temelji na prilagoditvah umetnih nevronov.
Programska oprema nevronskih omrežij ponuja tudi prednost, da jo lahko prilagodijo inženirji, ki niso dobro seznanjeni z osnovno zasnovo programske opreme na ravni kodiranja. Programsko opremo je mogoče prilagoditi širokemu razponu pogojev in pridobiva strokovnost, ko je izpostavljena tem pogojem in zbira podatke o njih. Sprva bo nevronska mreža ustvarila napačne rezultate kot rešitve za težave, a ko se ta izhod ustvari, se vrne v sistem kot vhod in nenehen proces izpopolnjevanja in tehtanja podatkov ga vodi do vse bolj natančnega razumevanja resničnega svetovnih razmerah, ob dovolj časa in povratnih informacij.
Prilagoditev oblikovanja nevronske mreže je poleg osnovne strukture binarnega nevrona, ustvarjene leta 1943, privedla do drugih vrst umetnih nevronov. Pollinearne nevronske mreže vključujejo linearne in nelinearne funkcije, ki jih aktivirajo pogoji. Če problem, ki se analizira, prikazuje pogoje, ki niso linearni, ali niso jasno predvidljivi in niso manjši, potem se nelinearne funkcije sistema uporabljajo tako, da jim pripišemo večjo težo kot linearni izračuni. Ko se usposabljanje nevronskega sistema nadaljuje, postane sistem boljši pri nadzoru razmer v resničnem svetu, ki jih spremlja, v primerjavi s tem, kakšni bi morali biti idealni pogoji sistema. To pogosto vključuje vključitev nevro-mehkih modelov v nevronsko mrežo, ki lahko upoštevajo stopnje nenatančnosti pri ustvarjanju smiselnih izhodnih in kontrolnih stanj.