Specht提出的一種非常好的Bayes–Parzen模式分類器-機率神經網路（PNN），並證明了Bayes–Parzen分類器怎樣分解為大量的簡單程序在多子層神經網路中實現，每一層能並行的獨立執行。它是一種前饋式神經網路，RBF網路的一種變化形式，其實質是基於貝葉斯最小風險準則發展而來的一種並行演算法。其優點是結構簡單、分類精度高等，特別適合解決模式分類問題。在分類問題中，它可以用線性學習的方法解決非線性的問題，這使得它比其它神經網路具有更快的訓練速度，同時又可以保持演算法的高精度性。PNN透過神經網路中間層的對映變換，把輸入層的樣本模式轉換為輸出層的分類決策。

機率神經網路的結構設計一般分為四層，為輸入層、模式層、求和層、輸出層。

輸入層只起接收資料的作用，並把接收到的資料傳遞給模式層。

模式層的神經元個數由訓練樣本的個數決定，其中一個訓練樣本對應一個模式層神經元。接收到輸入層傳來的資料後每個模式層神經元根據下面公式計算得到模式層的輸出。

其中，d 表示輸入特徵向量的維數， 是平滑係數C 模式層神經元的中心向量，在這裡取其對應的訓練樣本的值。

求和層與模式層之間是稀疏連結。每個求和層神經元對應一個分類模式，它至於其對應的同一模式的模式層神經元連結，將它們的輸出相加，進而求出這一相同別類的最大可能性，所以與其它類別的輸出無關。計算公式

輸出層由一個競爭神經元組成，其輸出代表是 PNN 對輸入特徵向量 X 類別的判斷。求和層神經元的輸出代表特徵向量 X 屬於其對於模式的最大機率，透過把所有求和層與一個競爭神經元進行連線，可以判斷出 X 的類別。計算公式