循环神经网络（Recurrent Neural Networks，简称RNN）是一种与时序数据相关的深度学习模型。它可以对序列数据进行刻画和建模，目前已广泛用于自然语言处理、语音识别、时间序列分析等领域。

RNN的主要特点是可以在模型中引入一个“记忆”或“状态”来存储有关之前的信息，然后与当前的输入一起进行处理。而该状态在每一次的循环迭代过程中都会被更新和传递下去，从而捕捉到了序列数据中的长时依赖关系。

在RNN中，每个时间步都有一个输入和一个输出，它们之间的关系由一个权值矩阵来描述。该权值矩阵在每一个时间步共享，因此模型的参数量较小，更容易训练。常用的RNN模型包括基本的RNN、长短时记忆网络(LSTM) 和门控循环单元 (GRU)等。

在训练RNN时，通常使用反向传播算法在每个时间步进行计算，并根据损失函数更新模型的参数。由于序列数据的长度通常比较大，因此RNN中的梯度消失和梯度爆炸是一个常见的问题。为了解决这个问题，人们提出了一些变种，例如LSTM和GRU等。

总之，RNN是一种非常有用的深度学习模型，适用于处理各种序列数据。但它也存在一些问题，如梯度消失和梯度爆炸等，需要使用一些技巧来克服。