Kohonen網絡是自組織競爭型神經網絡的一種，該網絡為無監督學習網絡，能夠識別環境特征并自動聚類。Kohonen神經網絡是芬蘭赫爾辛基大學教授Teuvo Kohonen提出的，該網絡通過自組織特征映射調整網絡權值，使神經網絡收斂于一種表示形態，在這一形態中一個神經元只對某種輸入模式特別匹配或特別敏感。Kohonen網絡的學習是無監督的自組織學習過程，神經元通過無監督競爭學習使不同的神經元對不同的輸入模式敏感，從而特定的神經元在模式識別中可以充當某一輸入模式的檢測器。網絡訓練后神經元被劃分為不同區域，各區域對輸入模型具有不同的響應特征。
Kohonen神經網絡算法工作機理為：網絡學習過程中，當樣本輸入網絡時，競爭層上的神經元計算輸入樣本與競爭層神經元權值之間的歐幾里德距離，距離最小的神經元為獲勝神經元。調整獲勝神經元和相鄰神經元權值，使獲得神經元及周邊權值靠近該輸入樣本。通過反復訓練，最終各神經元的連接權值具有一定的分布，該分布把數據之間的相似性組織到代表各類的神經元上，使同類神經元具有相近的權系數，不同類的神經元權系數差別明顯。需要注意的是，在學習的過程中，權值修改學習速率和神經元領域均在不斷較少，從而使同類神經元逐漸集中。

Kohonen SOFM 是一種前饋式無監督學習 網絡,它由兩層 即輸入層和輸出層組成。
輸入層又稱匹配層,計算輸入模式向量 與權向量之間的距離,即匹配程度;輸 出層又稱競爭層,各神元以匹配程度為依據進行競爭,確定匹配程度大(距離小)的神經元獲勝。獲勝的神經元及其領域內的神經元權向量朝與模式 向量更靠近方 向更新,經過多次反復的這種競爭與更新,最終神經元就會學會模式向量,并 以權向量形式保存下來,從而實現對模式向量的聚類、識別與拓撲不變性映射等。這一過程就是自組織學習(映射)。
可見Kohonen SOFM自組織映射學習 映射包括兩部分:
最佳匹配神經元的選擇和權向量的更新。