類神經網路是一種能適應新環境的系統，它針對過去經驗 (資訊)的重覆學習，而具有分析、預測、推理、分類…等能力，是當今能夠仿效人類大腦去解決複雜問題的系統，比起傳統的系統(使用統計方法、模式識別、分類、線性或非線性方法)而言，類神經網路為基礎的系統具有更強大的功能和分析問題技巧可以用來解決信號處理、模擬預測、分析決策……等複雜的問題。NeuroSolutions提供了90種以上的視覺化類神經元件，可讓使用者任意連接及合成不同的網路架構以實現類神經網路模擬及專業化應用，這樣同時兼具視覺化美感的操作介面及強大功能的專業化軟體，是其他同等級的產品所望其項背的。

NeuroSolutions 所有模組的演算式設計都已轉成物件導向語言(OOP)的模式，尤其當我們注重模擬的速度時，物件導向語言的設計方式擁有極大的優勢。在傳統上，直譯式的設計環境有較大的彈性，但是其模擬速度非常慢，換句話說，以編譯碼的方式進行模擬的速度會非常快，但通常會受限於使用者介面的操控性而不夠靈活。因此，物件導向的設計方式結合了直譯式靈活的使用者介面與編譯式高速運算的優點，可以說是最理想的Neural-CAD。

如同許多類神經網路軟體一般，剛開始我們所設計的軟體在訓練網路時期只支援靜態學習法則 (例如:他們只能使用現在一瞬間的資訊)，這種嚴重的缺點是導致在大部分應用上降低效能的原因，例如: 程序控制、時間序列分析、預測、不固定信號分類…等。因此，我們加強了週期性拓樸及動態類神經網路(例如: 加強記憶架構)，並且應用最先進的學習法則(例如: BP through time)在解決時間序列的問題上。

NeuroSolutions 的物件導向式介面提供了架構類神經網路所必須具備的工具，而且每一個物件皆以不同的圖像來表示，方便使用者辨別其功能。使用者只需將類神經元件(例如: 神經元、神經鍵、徒坡搜尋引擎…等)佈局在圖形化面板上，並且將它們連接在一起形成類神經網路，接著引入信號到輸入神經元，最後我們就可以利用視覺化探測元件顯示出網路的整體運作過程。

當我們架構好一個類神經網路後，就可利用探測元件來執行監測網路運作過程的工作，其顯示型態完全依所欲觀察的資料而定，並且可以擷取出網路內部所有的變數 (inputs/outputs, weights, errors, hidden states, gradients, and sensitivities….)。其中靜態的探測元件只能顯示目前瞬間的資料，而暫存的探測元件會暫時儲存資料，並將資料對映到整個時間軸、頻率軸或空間軸顯示出來。