循环神经网络（Recurrent Neural Network, RNN）是一种人工神经网络架构，特别适用于处理序列数据，如时间序列数据、文本序列或任何具有时间依赖性的数据。在RNN中，信息不仅沿着层间传播，还在时间维度上传播，即当前时刻的输出不仅取决于当前时刻的输入，还受到过去时刻的影响。
RNN的核心特点在于其循环结构，每一层的神经元会把上一时刻的隐藏状态（hidden state）作为当前时刻的输入的一部分，同时结合当前时刻的真实输入，共同计算出当前时刻的隐藏状态和输出。这样的设计允许RNN保持一定程度的记忆功能，能够捕获数据中的长期依赖关系。
然而，原始的简单RNN由于梯度消失/爆炸问题，在处理长序列时可能无法有效地保留远距离的历史信息。为了解决这个问题，后续发展出了诸如长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）等变体，它们通过精心设计的门控机制改进了RNN在处理长序列上的表现。
RNN广泛应用于众多领域，包括但不限于自然语言处理（NLP）中的语言模型、机器翻译、情感分析，以及语音识别、手写字体识别、音乐生成等涉及时间序列预测的任务。
