L'apprentissage compétitif est une méthode d'apprentissage des réseaux de neurones artificiels.

Lorsque la structure du réseau est fixe, le processus d'apprentissage se réduit à la modification des droits de connexion, parmi lesquels l'apprentissage compétitif fait référence à la compétition entre toutes les unités du groupe d'unités du réseau pour le droit de répondre aux modèles de stimuli externes.

Le poids de connexion de l'unité qui remporte la compétition change dans une direction plus favorable à la compétition pour ce modèle de stimulation. Relativement parlant, l’unité qui remporte la compétition inhibe la réponse de l’unité qui perd la compétition au modèle de stimulation. Cet apprentissage adaptatif permet aux unités du réseau d’avoir la caractéristique de sélectionner des modèles pour accepter des stimuli externes. Une forme plus générale d’apprentissage compétitif permet non seulement à un seul gagnant mais à plusieurs gagnants d’émerger, et l’apprentissage se produit sur les poids de connexion de chaque unité dans l’ensemble des gagnants.