IEEE Transactions on Neural Networks and Learning Systems（简称《TNNLS》）是神经网络与机器学习领域的顶刊，2024年的影响因子达到8.9，该期刊聚焦神经网络、深度学习、强化学习及学习系统的理论与应用，涵盖模式识别、计算机视觉、自然语言处理及智能系统。
IEEE推荐AJE的论文润色等服务，您在向IEEE旗下期刊提交稿件时，可以将AJE的润色证明一并提交给期刊。
期刊主页：https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=5962385
期刊简介
《TNNLS》由IEEE Computational Intelligence Society主办，创刊于1990年（原名《IEEE Transactions on Neural Networks》，2012年更名为现名），致力于发表神经网络与学习系统的原创研究，主题包括神经网络架构（卷积神经网络、循环神经网络）、深度学习、强化学习、迁移学习、生成模型、模式识别、计算机视觉及自然语言处理，应用领域涵盖智能系统、机器人、医疗及金融。文章需具创新性、技术严谨性及对学习系统的重大价值，适合计算机科学、人工智能及数据科学领域的专业人士。期刊采用严格的同行评审，初审平均6-8周（官网数据）。作为混合出版期刊，作者可选择传统订阅模式或开放获取（OA）。
期刊相关信息：
- 影响因子：8.9（2024年）
- 中国科学院分区：1区（计算机科学-计算机：硬件-计算机：理论方法-工程：电子与电气-计算机：人工智能）
- 出版费用：开放获取费用（APC）为2,645美元（2025年IEEE标准，官网数据）；订阅模式无APC。
- 出版频率：月刊（每年12期，官网数据）。
- 开放获取：混合出版，可选择OA或订阅模式（官网数据）。
投稿注意事项
- 文章长度：Regular Paper建议8-12页（双栏，含图表和参考文献），超过12页需支付超页费（220美元/页）。Short Paper建议4-6页。
- Cover letter：需提交，说明研究的创新性、技术贡献及适合《TNNLS》的理由，突出对神经网络与学习系统的意义。
- 初始投稿格式：需使用IEEE双栏模板（Word或LaTeX），初稿提交PDF，图表嵌入正文。
- 数据可用性：鼓励公开数据，建议存放在IEEE DataPort或公共存储库（如figshare、Zenodo）并提供DOI。
- 代码可用性：涉及算法、模型或仿真的需提供代码（如GitHub链接）或补充材料，需包含运行说明。
- 预印本政策：接受在arXiv等预印本服务器发布的稿件，需在投稿时声明。
- 审稿周期：初审约6-8周，采用单盲评审，至少三位审稿人。
- 出版费用减免：开放获取文章的无资助研究可申请APC减免，投稿后联系IEEE出版办公室（openaccess@ieee.org）。
- 开放获取选项：作者可选择开放获取（需支付APC）或订阅模式（无APC）。
- 彩图费用：订阅模式下，彩图每页175美元；开放获取文章无彩图费用。
- 语言润色：建议使用IEEE推荐的AJE（American Journal Experts）服务，润色证明可随稿件提交。
- 伦理要求：涉及人类数据的需提供伦理委员会批准编号，遵循《IEEE伦理规范》。
- 神经网络特有要求：需明确模型架构（如层数、激活函数）、训练设置（如数据集、优化器）、性能指标（如准确率、F1分数、收敛速度）及实验环境（如硬件、框架TensorFlow/PyTorch）。
文章类型
《TNNLS》主要发表以下类型文章：
- Regular Paper：完整研究文章（8-12页），报告神经网络与学习系统的原创研究。
- Short Paper：简短研究报告（4-6页），聚焦初步结果或新颖方法。
- Comment：对已发表文章的评论或更正（≤2页），需编辑批准。
- Correction：更正已发表文章，需编辑批准。
投稿需通过Manuscript Central提交，需明确选择文章类型。
文章结构
一篇典型的Regular Paper包括以下部分，每部分附简短英文示例：
- 标题：简洁、描述性，突出神经网络与学习系统主题，最大15字。
示例：
Deep Neural Network for Image Classification - 作者信息：列出所有作者的姓名、单位、电子邮件及ORCID。
示例：
Department of Computer Science, MIT, Cambridge, MA, USA
Sarah Lee, James Kim
AI Lab, Tsinghua University, Beijing, China
Wei Zhang - 贡献声明：明确每位共同作者的贡献，遵循IEEE标准。
示例：
S.L. designed the model; J.K. conducted experiments; W.Z. wrote the manuscript. - 通信作者：指定通信作者，提供电子邮件及ORCID。
示例：
Correspondence to: Wei Zhang (wei.zhang@tsinghua.edu.cn) - 摘要：概述研究背景、方法、结果和意义，最大250字，无参考文献。
示例：
A deep neural network achieves 98% accuracy on image classification. Tests show robustness. Code at GitHub (https://github.com/DeepImageNet). Data at Zenodo (10.5281/zenodo.123456). This advances computer vision. - 关键词：提供3-8个关键词，便于检索。
示例：
deep learning, neural network, image classification, computer vision - 引言：介绍研究背景、问题及目标，需包含参考文献。
示例：
Deep learning improves image classification [1]. This paper proposes a new CNN model [2]. - 正文：分节描述方法、模型设计、实验、结果和讨论，使用子标题。
示例：
Model Architecture
The CNN uses 50 layers with ReLU activation (figure 1). Accuracy reaches 98% [3]. - 结论：总结关键发现，提出应用或未来方向。
示例：
Conclusion
The model enhances image classification. Future work targets real-time applications. - 参考文献：列出所有引用文献（详见第6节）。
示例：
[1] Y. Chen et al., “Deep learning for vision,” IEEE Trans. Neural Netw. Learn. Syst., vol. 36, no. 3, pp. 123-134, Mar. 2025. - 致谢（可选）：感谢资助机构或个人，包含资助编号。
示例：
Funded by NSF grant 123456. We thank the MIT AI Lab. - 作者简介：简述作者背景、教育经历及研究兴趣，附照片（可选）。
示例：
Sarah Lee received the Ph.D. degree from MIT in 2023. Her research focuses on deep learning. - 伦理声明：包括利益冲突声明及伦理合规（如适用）。
示例：
Competing interests: The authors declare no competing interests.
Ethics approval: Not applicable. - 数据可用性：提供数据存储库名称和访问编号。
示例：
Data at Zenodo: https://doi.org/10.5281/zenodo.123456 - 补充材料（可选）：提供额外数据、代码或视频。
示例：
Supplementary Code S1: Training scripts.
Supplementary Data S1: Image datasets.
格式要求
《TNNLS》要求初稿使用IEEE双栏模板（Word or LaTeX），Regular Paper建议8-12页，Short Paper建议4-6页，修订稿需符合出版规范。以下是具体要求：
字体和字号
- 正文：Times New Roman，10号字，单倍行距。
- 一级标题：粗体，11号字，首字母大写。
- 二级标题：粗体，10号字，首字母大写。
- 图表标题：粗体，8号字。
页面布局
- 使用 A4或Letter纸张，双栏排版。
- 页边距：上2.5厘米，下1.9厘米，左右1.25厘米。
- 行距：单倍行距，段前段后0点间距。
图表格式
- 图表嵌入正文，初稿为PDF，修订稿需单独上传高分辨率文件。
- 图表标题置于下方，Times New Roman，8号字，居中。
- 图表文字：8号字，确保清晰。
- 图表分辨率：至少300 DPI，推荐格式为TIFF、EPS或PDF。
- 颜色选择：支持彩色，建议高对比度（如蓝/黄），避免红绿。
- 图例：每幅图说明不超过200字，置于图下方。
- 版权：需提交受版权保护的图表许可文件。
- 示例：
Figure 1: Model performance.
a) Accuracy curve (blue: proposed; red: baseline). b) Loss plot.
公式与术语
- 公式居中，右对齐编号，如 (1)，文中称为“equation (1)”。
- 术语遵循IEEE及机器学习标准（如“accuracy”而非“performance”）。
- 示例： (1) L = -\sum_{i} y_i \log(\hat{y}_i)
表格
- 表格嵌入正文，包含标题和图例，置于页面顶部或底部。
- 大型表格作为补充材料（如Excel）。
参考文献格式
《TNNLS》要求使用IEEE引用风格，按文中出现顺序编号，文中以方括号引用（如 [1]）。参考文献需准确，优先引用期刊文章。以下是示例：
- 期刊文章：
[1] Y. Chen, X. Liu, et al., “Deep learning for vision,” IEEE Trans. Neural Netw. Learn. Syst., vol. 36, no. 3, pp. 123-134, Mar. 2025. - 会议论文：
[2] S. Lee and J. Kim, “Neural networks,” in Proc. IEEE Int. Conf. Mach. Learn., Toronto, ON, Canada, Jun. 2024, pp. 10-12. - 书籍：
[3] I. Goodfellow, Deep Learning, Cambridge, MA, USA: MIT Press, 2016. - 数据集：
[4] S. Lee and W. Zhang, “Image dataset,” Zenodo, 2025. [Online]. Available: https://doi.org/10.5281/zenodo.123456 - 预印本：
[5] J. Kim and W. Zhang, “Deep learning trends,” arXiv:2401.12345, Jan. 2025. [Online]. Available: https://arxiv.org/abs/2401.12345
伦理声明
- 利益冲突：需声明所有作者的利益冲突（如“无利益冲突”）。
- 伦理合规：涉及人类数据的需提供伦理委员会批准编号，遵循《IEEE伦理规范》。
- 数据可用性：需声明数据存储库及访问方式。
- 代码可用性：需提供代码存储库或补充材料。
- 示例：
Competing interests: The authors declare no competing interests.
Ethics approval: Not applicable.
Data availability: Data at Zenodo: https://doi.org/10.5281/zenodo.123456.
Code availability: Code at GitHub: https://github.com/DeepImageNet.
补充材料
- 补充材料作为单独文件提交，格式为PDF、Excel、MP4（H.264编码，16:9）或ZIP。
- 包含大型数据集、代码或视频，无额外费用。
- 示例： Supplementary Code S1: Training scripts. Supplementary Data S1: Image datasets.
投稿流程
作者需通过Manuscript Central提交论文。流程如下：
- 注册并关联ORCID，指定通信作者（需符合IEEE作者标准）。
- 上传IEEE模板稿件（PDF）、cover letter、图表（嵌入PDF）及补充材料。
- 提供利益冲突声明、数据/代码可用性声明及伦理声明。
- 在Manuscript Central跟踪审稿状态，初审约6-8周。
- 修订稿需提交：修改稿（Word/LaTeX）、审稿回复（逐点回应）、高分辨率图表。
- 可联系编辑部（tnnls-editor@ieee.org）查询状态或申请APC减免（开放获取文章）。
最后
IEEE Transactions on Neural Networks and Learning Systems作为神经网络与机器学习领域的1区期刊，投稿要求肯定自然高，我们根据官网信息，整合了整个论文的官方要求，希望对你投稿有帮助！
