Le réseau neuronal récurrent (RNN) est un réseau neuronal artificiel adapté au traitement de données séquentielles. Il a été conceptualisé par Michael I. Jordan en 1986 et simplifié par Jeffrey L. Elman en 1990 pour former le modèle RNN actuel constitué d'un seul nœud auto-connecté. Grâce à sa connexion en anneau interne unique, le RNN peut transmettre des informations de manière cyclique dans le réseau pour réaliser le stockage et le traitement des informations de séquence.

Le principe de fonctionnement du RNN est de stocker les informations de l'étape temporelle précédente via l'état de la couche cachée, de sorte que la sortie du réseau dépend de l'entrée actuelle et de l'état précédent. Cette conception permet au RNN de prendre en compte les caractéristiques des séries chronologiques des données lors du traitement de données séquentielles telles que le texte, la parole et la vidéo.