递归神经网络（Recurrent Neural Networks，RNNs）的训练是通过权值直接优化来实现的，这种方式容易产生两个问题：收敛速度慢和易陷入局部最优。回声状态网络( echo state network，ESN) 由 Jaeger于2001年提出，在模型构建与学习算法方面较 传统的递归神经网络有较大差别，其相应的学习算法为递归神经网络的研究开启了新纪元。
回声状态网络又称储备池计算，采用由随机稀疏连接的神经元组成的储备池作为隐层，用以输入进行高维、非线性的表示。ESN将神经网络的隐层权值预先生成而非训练生成，与隐层至输出层的权值训练分开进行，其基本思想的前提是生成的储备池具有某种良好的属性，往往能够保证仅采用线性方法训练储备池至输出层的权值即可获得优良的性能。
