在人工智能（AI）领域，连接主义（Connectionism）是一种重要的理论框架和方法论，它主要通过模仿人类大脑的神经网络结构来实现智能行为。连接主义的核心思想是利用神经元之间的连接机制来模拟和实现人工智能，这种方法受到生物学中大脑神经元网络的启发，认为智能可以通过神经元之间的大量简单连接来实现。
连接主义的主要代表是人工神经网络（ANNs），这些网络由多个相互连接的节点（或“神经元”）组成，信息存储在网络中的节点之间的权重中，而不是通过明确的逻辑规则或符号。这种模型在模式识别、语音识别和图像处理等领域有广泛应用。
连接主义与符号主义是AI领域的两大主要学派之一。符号主义侧重于使用逻辑符号和规则进行推理，而连接主义则通过神经网络的自我学习和优化来处理复杂问题。连接主义的方法不依赖于显式的符号表示，而是通过分布式表示和并行处理来实现智能行为。
连接主义的历史可以追溯到20世纪40年代，当时McCulloch和Pitts提出了第一个神经元数学模型——MP模型，该模型从结构上对人脑进行模拟。20世纪80年代，连接主义经历了复兴，被称为连接主义或神经网络革命，雷姆哈特、欣顿和麦克莱兰德等人开发了并行分布式处理（PDP）模型，这是能够学习复杂模式和表示的多层神经网络。
近年来，深度学习作为机器学习的一个子领域，基于多层神经网络，已成为人工智能研究的主导范式。深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），由于计算资源的进步、大量数据的可用性和算法创新，取得了显著的成功。
尽管连接主义在处理复杂表示时表现出色，但它在解释性方面存在一定的局限性。由于其“黑箱”性质，我们很难完全理解模型是如何得出某个具体结论的。然而，连接主义在处理低级信息处理问题（如运动反馈、立体视觉处理、视觉字母识别和自然语言词汇访问）方面取得了显著进展，并逐渐影响到更高层次的任务，如文本理解、问题解决等。
连接主义通过模仿人类大脑的神经网络结构，利用神经元之间的复杂连接来实现智能行为，这种方法在模式识别、自然语言处理等领域表现出色，但其解释性较差，仍然是当前AI研究中的一个重要方向。