Los modelos conexionistas se basan en redes de unidades de procesamiento simples, llamadas nodos o neuronas, que están conectadas mediante conexiones ponderadas.
El aprendizaje generalmente se realiza ajustando estos pesos de conexión para transformar las entradas en salidas deseadas.
Ejemplos típicos son las redes neuronales artificiales, que se entrenan mediante algoritmos como la retropropagación.
Los modelos conexionistas se caracterizan por la paralelidad, la distribución y la robustez frente a perturbaciones, y son adecuados para el reconocimiento de patrones y tareas cognitivas.
Se oponen a los modelos simbólicos, ya que no codifican el conocimiento de forma explícita, sino distribuida en las conexiones.