对于二分类问题（即需要将样本分为两个类别），适合使用的神经网络模型有逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine）和感知器（Perceptron）等。其中，逻辑回归是最常用的模型之一，它通过将线性回归模型的输出通过sigmoid函数转换为概率值，从而实现样本的分类。

    对于多分类问题（即需要将样本分为多个类别），适合使用的神经网络模型有多层感知机（Multilayer Perceptron, MLP）和卷积神经网络（Convolutional Neural Network, CNN）等。多层感知机具有多个隐层，可以通过调节隐层的数量和节点数来提高模型的表达能力，适用于复杂的多分类问题。而卷积神经网络则特别适用于处理图像、语音等具有结构化数据的任务，通过利用卷积层和池化层等结构进行特征提取和降维，能够获得较好的分类效果。

    此外，深度学习模型如循环神经网络（Recurrent Neural Network, RNN）和长短期记忆网络（Long Short-Term Memory, LSTM）也可以用于处理序列数据的分类问题，比如自然语言处理、时间序列预测等。

    总之，选择适合的神经网络模型需要考虑问题的特点、数据类型和规模。以上提到的模型只是一些常见的选择，在实践中还需根据具体情况进行选择和调优。