级联相关神经网络是从一个小网络开始，自动训练和添加隐含单元，最终形成一个多层的结构。级联相关神经网络具有以下优点:学习速度快；自己决定神经元个数和深度；训练集变化之后还能保持原有的结构；不需要后向传播错误信号。在电力管理、军事、医疗、智能制造等多个行业得到了重要应用。多年来，人们提出了大量的模式识别方法，这些方法各有优点，但也不可避免地存在一定的局限性和适用条件.为了把各种方法有机地结合起来，取长补短，提高系统的整体性能，人们提出了多级神经网络的结构模型.多级神经网络结构的每一级子系统，通常都由特征提取模块和神经网络模块所组成.特征提取模块从输入数据中提取特征矢量，基于该特征矢量，神经网络模块在学习阶段对所有训练数据进行学习，而在工作阶段则对输入到本级的数据进行分类判别，包括识别输出和拒识输出两种情况.不妨假定:某一级的特征提取模块所提取的特征能有效地代表一部分输入样本的本质特征，因此这一部分样本在该级中将成功地得到识别，其余的样本则由于特征不清而被拒识，送入到下一级进行基于另外一种特征提取和神经网络结构的分类判别。