循环神经网络（Recurrent Neural Network, RNN）是深度学习的一种形式。深度学习通常指的是使用深层神经网络的机器学习算法，而循环神经网络是一种特殊类型的神经网络，它能够处理序列数据，并且具有以下特点：
- 时间序列处理能力：RNN能够处理输入数据的时间序列特性，即能够捕捉数据在时间上的依赖关系。
- 记忆功能：RNN通过循环连接，能够在网络中保持对之前信息的记忆，这使得它们适合处理时间序列数据。
- 参数共享：在RNN中，相同的权重参数在处理序列的不同时间步时被重复使用，这是其“循环”概念的体现。
- 深层结构：虽然RNN通常指的是具有循环结构的单层网络，但它们也可以堆叠成深层网络，形成深度RNN，以提高模型的学习能力。
- 变体：RNN有多种变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），这些变体改进了原始RNN在处理长序列时的梯度消失或梯度爆炸问题。
- 适用于复杂序列数据：RNN及其变体广泛应用于自然语言处理、语音识别、时间序列预测等领域，能够处理具有复杂时间依赖性的序列数据。
- 端到端学习：RNN可以设计为端到端模型，直接从原始输入数据学习到最终的输出，无需手动特征工程。
循环神经网络不仅属于深度学习范畴，而且是深度学习中处理序列数据的重要工具。