Les modèles connexionnistes sont basés sur des réseaux d'unités de traitement simples, appelées nœuds ou neurones, reliées par des connexions pondérées.
L'apprentissage se fait généralement par l'ajustement de ces poids de connexion afin de transformer les entrées en sorties souhaitées.
Des exemples typiques sont les réseaux de neurones artificiels, entraînés par des algorithmes tels que la rétropropagation.
Les modèles connexionnistes se caractérisent par la parallélisme, la distribution et la robustesse face aux perturbations, et conviennent bien à la reconnaissance de formes et aux tâches cognitives.
Ils s'opposent aux modèles symboliques, car ils codent le savoir non pas explicitement, mais de manière distribuée dans les connexions.