神经计算的一大类问题是学习。在神经计算看来，学习的目的是要神经网络能够对刺激做出正确的反应。刺激-反应是神经细胞通过突触连接传导尖峰放电来实现的，学习就是帮助神经网络的突触建立起正确的联结。怎样建立正确的连接？神经计算中有一个主要方法，就是在学习过程中对神经网络之间突触的正确连接予以加强。

这个方法来源于著名的海明假设，也可以看作是海明原理：当一个神经元兴奋时，与之连接的另一个神经元也随之兴奋，那么这两个神经元的连接会得以加强。

在软性神经计算中，神经元之间的突触连接由转换（移）矩阵构成，神经计算的核心就是在学习阶段对转换矩阵中的每个元素值，也就是突触，进行运算，以调整突触或者神经元之间的连接强度。除了线性感知器之外，运算都比较复杂，不过最后调整突触值时，就是加或者减。神经形态芯片是软性神经计算的硬件化，芯片也有一个突触矩阵，只不过是用晶体管构成的电路矩阵。同样，神经形态芯片也需要在学习阶段调整突触矩阵的连接强度。从IBM数字式芯片来看，突触矩阵是用8晶体管锁存器阵列组成，每个8管锁存单元要么锁存一个高电平1，要么锁存一个低电平0，构成了01矩阵。对突触阵列的调整，就是调整锁存器单元中锁存的电平高低.

欧洲的突触矩阵是模拟电路。