تفاوت شبکه‏های برگشتی یا Recurrent با شبکه‏های پیش‏خور در آن است که در شبکه‏های برگشتی حداقل یک سیگنال برگشتی از یک نرون به همان نرون یا نرون‏های همان لایه یا لایه‏های قبل وجود دارد. شبکه‏های Recurrent بهتر می‏توانند رفتار مربوط به ویژه‏گی‏های زمانی و پویایی سیستم‏ها را نشان دهند. در این نوع شبکه ها که با توجه به ماهیت پویای مسئله طراحی می‏شوند بعد از مرحله یادگیری شبکه نیز پارامترها تغییر کرده و تصحیح می شوند ( به طور مثال در پیش‏بینی ها بعد از گذر زمان مقایسه انجام شده و پارامترهای آزاد شبکه تنظیم می‏شوند) نوع خاصی از شبکه‏های برگشت پذیر به شبکه های هاپفیلد (Hopfield Network) موسوم هستند. در شبکه‏های هاپفیلد نرون‏ها نخست توسط ورودی مقدار اولبیه می‏گیرند و شبکه به گونه‏ای خود را تکرار می‏کند که نتیجه آن همگرایی به سمت الگوی مرجع است. در این شبکه همه نرون‏ها شبیه به یکدیگر عمل کرده و هیچ کدام از نرون‏ها به عنوان ورودی یا خروجی از هم متمایز نمی‏شوند. در تشکیل ساختارها یعنی تعداد سلول‏های عصبی و لایه‏ها و همچنین شرایط اولیه مسئله باید دقت نمود که موارد عملی و پیچیده به یک یا حتی تعداد بیشتری لایه مخفی ورودی و خروجی و تعداد زیادی وزن برای عوامل ورودی احتیاج دارند. بسیاری از ANN های تجاری شامل ۴ و یا حتی ۵ لایه هستند که هر کدام شامل ۱۰ تا ۱۰۰۰ المان پردازشی هستند. برخی از ANN ها حاوی میلیون‏ها المان پردازشی هستند.