类脑计算，是指仿真、模拟和借鉴大脑生理结构和信息处理过程的装置、模型和方法，其目标是制造类脑计算机和类脑智能，相关研究已经有二十多年的历史。与经典人工智能符号主义、连接主义、行为主义以及机器学习的统计主义这些技术路线不同，类脑计算采取仿真主义：结构层次模仿脑（非冯·诺依曼体系结构），器件层次逼近脑（神经形态器件替代晶体管），智能层次超越脑（主要靠自主学习训练而不是人工编程）。
类脑计算是以脑认知科学和神经科学研究成果为基础，借鉴人类感知、认知机理，建立受脑启发的、不同于现有冯 诺依曼计算结构的信息组织、存储和处理的计算模式。这种计算模式对发展异构动态大数据处理、非结构化复杂模式信息分析与视觉场景理解计算的新理论及关键技术具有极其重要的意义。
寻求类脑计算的物理实现形式，需要在物理的、符号的、语义的三个层面上弄清楚如下两者之间的关系，即：计算装置与计算过程之间的关系，大脑与认知之间的关系。图灵机模型表明，存在一种普适的计算机制，它可以完成任何可用形式化方式描述的计算任务，而且图灵测试的可能性是建立在符号系统所具有的可塑性的基础之上。计算形式的普适性使得冯 诺依曼结构的现代计算机可以完成图灵机表征的任何过程，但前提是能将人类或其他生物的认知行为抽象出诸如：规则、推理、推论、归纳等这样的语义规律性，并把它们看作是关于符号的计算。然而，人类的大脑具有感知、识别、学习、联想、记忆和推理等功能，并不能全部用符号计算的形式来实现。这些功能与大脑的结构存在着对应关系，并且大脑的神经网络系统具有多层的反馈机制，如来自于高级“控制”脑区到初级视觉脑区的反馈信号，形成了基于内容和语义的视觉“选择性注意”机制。类脑计算就是受上述脑功能和脑神经网络连接机制启发的一种计算架构（见下图），它以神经形态计算的模式来部分模拟大脑功能与其结构的对应关系和反馈连接，增强人工智能及其计算效率，不完全依赖现有冯 诺依曼计算结构，也不是复制人类的大脑或简单地建造一种模拟神经元功能的芯片，更不是去完全替代冯 诺依曼计算结构。
