和大腦一樣，神經網絡模型可以執行前饋和循環計算，包括多層的線性—非線性信號變換，一般有數百萬個參數（連接權重），通過調參不斷優化任務執行表現。

有研究將神經網絡模型作為腦信息處理模型來進行驗證。這些研究利用訓練有素的深度卷積神經網絡模型來識別圖像中物體，預測了靈長類動物的腹側視覺區在面對新異圖像時的大腦表征，結果表明，深度神經網絡的內部表征是當前符合人類和猴子顳下回視覺圖像表征的最佳模型。

目前有三類認知模型：產生式系統，強化學習模型和貝葉斯認知模型。

產生式系統（production systems）提供了用于解釋推理和問題解決的早期模型。特定的條件涉及當前的目標及記憶中知識，對應的動作能夠修改目標和知識的內部狀態。

強化學習模型（Reinforcement learning models）捕獲agent如何通過與環境互動來學習最大化累積獎勵，選擇某種行動，觀察環境的結果狀態，在這個過程中獲得獎勵進而學習如何提高該行為的發生率，該agent可能學習了每種狀態與其期待的累積獎勵相關聯的“價值函數”。強化學習理論根源于心理學和神經科學，目前已經是機器學習和人工智能的重要理論，包括動態規劃（DP），蒙特卡羅學習（Monte-Carlo learning）和窮舉搜索（Exhaustive Search）等算法。

貝葉斯模型（Bayesian models），指的是根據概率規則將當前數據與先前經驗相結合的推理模型，它有助于我們理解基本的感知覺和運動加工過程，也提供了對判斷和決策等更高的認知過程的見解，將經典認知偏差解釋為先前假設的產物。

從貝葉斯認知的視角來看，人類思維從嬰兒時期開始構建關于世界的心智模型。這些模型不僅可以是概率意義上的生成模型，而且可能是有因果性和組合性的，能夠通過重新組合元素來將這種模擬推廣到新的假設的場景，這種建模方法已經應用于我們對物理乃至社會世界的推理。

Marr等提出理解復雜生物系統需要經過三層分析：計算水平；表征和算法水平；神經生物學水平。

認知科學開始于計算水平，將認知功能分解各個成分，進而從自上而下的角度發展算法和表征。計算神經科學從自下而上的角度出發，將神經元構建塊組合成表征和算法。人工智能通過建立表征和算法來將簡單的成分組合成復雜的智能。這三個學科匯聚在大腦和認知的算法和表征上，進而產生了互補約束。在20瓦的電力預算下，大腦的算法將統計和計算效率結合起來，其方式超出了當前的人工智能，無論是貝葉斯算法還是神經網絡算法。

對心智和大腦的研究正進入一個特別令人興奮的階段，如果認知科學、計算神經科學和人工智能能夠結合起來，我們或許能夠用神經生物學上可信的計算模型來解釋人類的認知，這不僅有助于我們更深刻的理解人腦信息加工的具體過程，也能在一定程度上為人工智能算法的發展提供有益啟示。