波茨曼機（Boltzmann machine）是隨機神經網路和遞歸神經網路的一種，由傑弗里·辛頓(Geoffrey Hinton)和特里·謝澤諾斯基(Terry Sejnowski)在1985年發明。 波茨曼機可被視作隨機過程的，可生成的相應的Hopfiled神經網路。它是最早能夠學習內部表達，並能表達和（給定充足的時間）解決複雜的組合最佳化問題的神經網路。但是，沒有特定限制連線方式的波茨曼機目前為止並未被證明對機器學習的實際問題有什麼用。所以它目前只在理論上顯得有趣。然而，由於局部性和訓練算法的赫布性質(Hebbian nature)，以及它們和簡單物理過程相似的並行性，如果連線方式是受約束的（即約束波茨曼機），學習方式在解決實際問題上將會足夠高效。
