循環神經網路（Recurrent Neural Network，RNN）是一種用於處理序列數據的神經網路架構。
它能夠在序列的演進方向進行遞歸，其所有節點（循環單元）按鏈式連線。RNN的設計目的是為了捕捉序列數據中的時序信息，如文本、語音、時間序列等。RNN的基本結構包括循環單元，它有一個輸入、一個輸出以及一個隱藏狀態。在處理序列數據時，RNN可以利用歷史信息，通過循環連線方式影響當前時刻的輸出和隱藏狀態。
在訓練RNN時，通常使用反向傳播算法和梯度下降算法。然而，由於RNN面臨長期依賴問題，如梯度消失和梯度爆炸，已經發展出了如長短期記憶網路（LSTM）和門控循環單元（GRU）等變體來改進這些問題。
LSTM和GRU通過引入「門」的結構來讓信息有選擇性地影響神經網路中每個時刻的狀態，從而更有效地處理長期依賴問題。
RNN在自然語言處理（NLP）、語音識別、機器翻譯、時間序列分析等領域有廣泛套用。