學習向量量化LVQ(Learning Vector Quantization)神經網路，屬於前向神經網路型別，在模式識別和最佳化領域有著廣泛的的應用。

LVQ神經網路由三層組成，即輸入層、隱含層和輸出層，網路在輸入層與隱含層間為完全連線，而在隱含層與輸出層間為部分連線，每個輸出層神經元與隱含層神經元的不同組相連線。隱含層和輸出層神經元之間的連線權值固定為1。輸入層和隱含層神經元間連線的權值建立參考向量的分量（對每個隱含神經元指定一個參考向量）。在網路訓練過程中，這些權值被修改。隱含層神經元（又稱為Kohnen神經元）和輸出神經元都具有二進位制輸出值。當某個輸入模式被送至網路時，參考向量最接近輸入模式的隱含神經元因獲得激發而贏得競爭，因而允許它產生一個“1”，而其它隱含層神經元都被迫產生“0”。與包含獲勝神經元的隱含層神經元組相連線的輸出神經元也發出“1”，而其它輸出神經元均發出“0”。產生“1”的輸出神經元給出輸入模式的類，由此可見，每個輸出神經元被用於表示不同的類。