Widrow, Rumelhart og Lehr hævder, at de fleste ANN-applikationer falder ind under følgende tre kategorier:

• Mønsterklassificering,
• Forudsigelser og finansiel analyse og
• Kontrol og optimering.

I praksis er deres kategorisering tvetydig, da mange finansielle og prædiktive anvendelser omfatter mønsterklassificering. En foretrukken klassifikation, der adskiller anvendelser efter metode, er følgende:

• Klassifikation
• Tidsserier og
• Optimering.

Klassifikationsproblemer involverer enten binære beslutninger eller identifikation af flere klasser, hvor observationer adskilles i kategorier i henhold til specificerede

Karakteristika. De anvender typisk tværsnitsdata. Løsningen af disse problemer indebærer “indlæring” af mønstre i et datasæt og konstruktion af en model, der kan genkende disse mønstre. Blandt de kommercielle anvendelser af kunstige neurale net af denne art kan nævnes:

• Detektering af kreditkortsvindel, som Eurocard Nederland, Mellon Bank, First USA Bank osv. angiveligt anvender.
• Optisk tegngenkendelse (OCR), der anvendes i faxsoftware som Calera Recognition System’s FaxGrabber og Caere Corporation’s Anyfax OCR-motor, der er licenseret til andre produkter som f.eks. det populære WinFax
• Pro og FaxMaster ;
• Kursiv håndskriftgenkendelse, der anvendes af Lexicus2 Corporation’s Longhand-program, som kører på eksisterende notesblokke som NEC Versapad, Toshiba Dynapad osv. , og ;
• Cervikal (Papanicolaou eller “Pap”) smear screeningssystem kaldet Papnet 3 blev udviklet af Neuromedical Systems Inc. og anvendes i øjeblikket af den amerikanske Food and Drug Administration til at hjælpe cytoteknologer med at finde kræftceller ;
• Petroleumudforskning, der anvendes af Texaco og Arco til at finde frem til underjordiske olie- og gasforekomster ; og
• Detektion af bomber i kufferter ved hjælp af et neuralt netværk kaldet Thermal Neutron Analysis (TNA), eller mere almindeligt SNOOPE, der er udviklet af Science Applications International Corporation (SAIC) .

I tidsserieproblemer kræves ANN til at opbygge en prognosemodel ud fra det historiske datasæt for at forudsige fremtidige datapunkter. De kræver derfor relativt sofistikerede ANN-teknikker, da sekvensen af inputdataene i denne type problemer er vigtig for at bestemme forholdet mellem et datamønster og det næste. Dette er kendt som den tidsmæssige effekt, og mere avancerede teknikker som f.eks. finite impulse response (FIR)-typer af ANN’er og recurrent ANN’er er ved at blive udviklet og udforsket med henblik på specifikt at behandle denne type problemer.

Eksempler fra den virkelige verden på tidsserieproblemer, hvor der anvendes ANN’er, omfatter:

• Der er tale om handelssystemer til udenlandsk valutahandel: Citibank London , HongKong Bank of Australia ;
• Portfolioudvalg og -styring: LBS Capital Management (300 mio. USD) (600 mio. USD) , Deere & Co. pensionsfond (100 mio. USD) (150 mio. USD) , og Fidelity Disciplined Equity Fund ;
• Forudsigelse af vejrmønstre ;
• Tale-genkendelsesnetværk, der markedsføres af Asahi Chemical ;
• Forudsigelse/bekræftelse af myokardieinfarkt, et hjerteanfald, ud fra udgangsbølgerne fra et elektrokardiogram (EKG) . Baxt og Skora rapporterede i deres undersøgelse, at lægerne havde en diagnostisk følsomhed og specificitet for myokardieinfarkt på henholdsvis 73,3 og 81,1 %, mens det kunstige neurale netværk havde en diagnostisk følsomhed og specificitet på henholdsvis 96,0 % og 96,0 %; og
• Identificering af demens ud fra analyse af elektrode-elektroencephalogram (EEG)-mønstre . Anderer et al. rapporterede, at det kunstige neurale netværk klarede sig bedre end både Z-statistik og diskriminantanalyse .

Optimeringsproblemer indebærer at finde en løsning på et sæt meget vanskelige problemer kendt som Non-Polynomial (NP)-komplette problemer, Eksempler på problemer af denne type omfatter det rejsende sælgerproblem, jobplanlægning i fremstillingsindustrien og effektive ruteføringsproblemer med køretøjer eller telekommunikation. De ANN’er, der anvendes til at løse sådanne problemer, adskiller sig konceptuelt fra de to foregående kategorier (klassifikation og tidsserier), idet de kræver uovervågede netværk, hvor ANN’en ikke er forsynet med nogen forudgående løsninger og således skal “lære” af sig selv uden brug af kendte mønstre. Statistiske metoder, der svarer til denne type ANN’er, falder ind under kategorien clustering-algoritmer.