孿生神經網路（Siamese neural network），也稱為雙生神經網路，是一種特殊的神經網路結構，由兩個人工神經網路組成，這兩個網路共享相同的權重和參數。其基本結構和工作原理如下：
基本結構：孿生神經網路以兩個樣本為輸入，通過兩個結構相同且權重共享的神經網路（子網路）將輸入映射到高維特徵空間，並輸出對應的表徵。這些子網路可以是卷積神經網路（CNN）或循環神經網路（RNN）等。
工作原理：在訓練過程中，孿生神經網路通過計算兩個輸入樣本的表徵之間的距離（如歐式距離）來比較這兩個樣本的相似程度。在監督學習範式下，它會最大化不同標籤的表徵之間的距離，並最小化相同標籤的表徵之間的距離。在無監督或自監督學習範式下，它可以學習輸入數據之間的相似性。
套用場景：孿生神經網路適用於需要進行小樣本/單樣本學習（one-shot learning）的任務，且不容易受到錯誤樣本的干擾。因此，它們廣泛用於對容錯率要求嚴格的模式識別問題，如人臉識別、指紋識別、目標追蹤等。
訓練過程：訓練孿生神經網路通常需要大量的標註數據。在訓練過程中，會構造正樣本（來自同一類別的樣本）和負樣本（來自不同類別的樣本），並使用這些樣本計算損失。然後通過梯度下降和反向傳播算法最佳化模型的參數。
孿生神經網路的提出者包括J. Bromley, I. Guyon, Y. LeCun, E. Säckinger, R. Shah等人，首次提出於1994年。