孪生神经网络（Siamese neural network），又名双生神经网络，是基于两个人工神经网络建立的耦合构架。孪生神经网络以两个样本为输入，其两个子网络各自接收一个输入，输出其嵌入高维度空间的表征，通过计算两个表征的距离，例如欧式距离，以比较两个样本的相似程度。
狭义的孪生神经网络由两个结构相同，且权重共享的神经网络拼接而成。广义的孪生神经网络，或伪孪生神经网络（pseudo-siamese network），可由任意两个神经网拼接而成。孪生神经网络通常具有深度结构，可由卷积神经网络、循环神经网络等组成，其权重可以由能量函数或分类损失优化。
孪生网络用于处理两个输入"比较类似"的情况。比如，两个句子或者词汇的语义相似度计算，指纹或人脸的比对识别等使用siamese network比较适合； 伪孪生神经网络适用于处理两个输入"有一定差别"的情况。如验证标题与正文的描述是否一致，或者文字是否描述了一幅图片，就应该使用伪孪生神经网络。
在监督学习范式下，孪生神经网络会最大化不同标签的表征，并最小化相同标签的表征。在自监督或非监督学习范式下，孪生神经网络可以最小化原输入和干扰输入（例如原始图像和该图像的裁减）间的表征。
孪生神经网络可以用于解决类别很多（或者说不确定），然而训练样本的类别数较少的分类任务，即可以进行小样本（one-shot learning），且不容易被错误样本干扰，因此可用于对容错率要求严格的模式识别问题，例如人像识别、指纹识别、目标追踪等。
孪生网络亦可以完成类别数目固定，且每类下的样本数也较多（比如ImageNet）的分类任务。