自然语言处理，通俗点来说就是研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。如今人工智能发展得这么迅速，尽管离“真正具有智慧”还有很长一段路，但在过去的几年中，在人工智能的分支领域中，自然语言处理却是最令人惊喜的。 “机器听懂人话”这一概念，已经迅速地融合进人类的生活中。
机器人理解人类的自然语言，首先需要采用声学传感器把声音提取出来或是采用图像传感器把文字或图像中的单词、句子等提取出来后，转换为机器人可以识别的信号。这个过程需要采用软测量技术。
软测量技术的本质是一个数学模型，此项技术已经在工业上广泛得到了应用，主要用于根据可以测量的参数去预测不可测量的参数。在机器人的自然语言处理中，软测量技术最典型的实现方法就是人工神经网络技术。
机器人在对人类的自然语言进行软测量时，首先需要建立理解语言的模型。模型建立过程需要采用机器学习技术。当前机器学习技术包括监督学习、非监督学习、半监督学习、强化学习四种方式。机器学习的重要应用就是使机器人自行建立并完善软测量模型。
人工神经网络模型由多个节点构成，每个节点都是一个计算函数。它的建立就是其学习的过程。
以监督学习为例，通常采用一组已知的输入数据和其对应的标准输出数据作为训练样本，把输入数据从输入层到隐藏层再到输出层进行正向计算，得出模型的输出数据，把模型的输出数据与已知的标准输出数据进行比较，并把偏差反向传播，在反向传播的过程中，根据一定的算法更新网络中的每个权值。反向传播后，采用另一组新的输入数据和标准输出数据重新开始新一次的训练，直到偏差趋向于零。
训练开始前还需要对所有权值进行初始化，才能保证第一次的正向计算可以进行。接着采用多组新的数据，进行前向计算，这些单词和句子等及其对应的语义必须独立于上述所有训练数据，这个过程称作泛化。当泛化的偏差足够小时，才能认为模型学习的基本成功。
人工神经网络技术很早就被提出，但由于当时计算机运算处理能力等的限制，随着人工神经网络规模的增大和结构的复杂化，以及大量的样本信息，造成了建模过程非常缓慢，使其发展曾经受到了很大的制约。
近十几年来，计算机硬件技术高速发展，使得人工神经网络建模的运算速度得到了保证。网络技术的普及、大规模存储器和云端存储技术的发展、手机等智能终端的广泛应用等，为大数据的形成奠定了基础，即为人工神经网络模型的训练和建立提供了更加丰富和多样的样本。这一切使得含有多个隐含层等特性的复杂神经网络的建立成为可能，基于多个隐含层等复杂神经元网络，机器人的深度学习功能得到了较好的应用和发展，从而更好地保证了软测量技术的实现。
