常见的神经网络模型包括：

前馈神经网络（Feedforward Neural Network）：前馈神经网络是最基本的神经网络模型，由一个或多个全连接层组成，适用于处理输入和输出之间的静态关系。

卷积神经网络（Convolutional Neural Network，CNN）：卷积神经网络主要应用于图像和视频处理任务，通过卷积层、池化层和全连接层来提取图像特征并进行分类或回归。

循环神经网络（Recurrent Neural Network，RNN）：循环神经网络适用于处理序列数据，如文本、语音等，通过循环连接来捕捉序列中的时序依赖关系。

长短时记忆网络（Long Short-Term Memory，LSTM）：LSTM是一种特殊的循环神经网络，通过引入门控机制来解决传统RNN中的梯度消失和梯度爆炸问题，适用于处理长序列数据。

生成对抗网络（Generative Adversarial Network，GAN）：生成对抗网络由生成器和判别器组成，通过对抗训练的方式生成逼真的数据样本，被广泛应用于图像生成和数据增强等领域。

如何选择适合的模型取决于任务的性质和数据的特点：

任务类型：首先要考虑任务是分类、回归还是生成等。如果是图像分类任务，可以选择CNN；如果是序列生成任务，可以选择RNN或LSTM；如果是生成逼真图像的任务，可以选择GAN。

数据规模：神经网络通常需要大量的训练数据来学习模式和参数。如果数据规模较小，可以选择较小的模型或采用迁移学习的方法；如果数据规模较大，可以选择更深层次或更复杂的模型。

数据特征：根据数据的特点选择适合的模型。例如，对于图像数据，CNN能够有效提取空间特征；对于序列数据，RNN和LSTM可以捕捉时序依赖关系。

计算资源：选择适合的模型还需要考虑计算资源的可用性。一些复杂的模型，如深层的CNN或具有大量参数的模型，需要更多的计算资源和训练时间。

此外，可以参考相关领域的文献和实践经验，查阅研究论文和使用案例，以了解在类似任务和数据上取得良好性能的模型选择和架构设计。

总的来说，选择适合的模型需要综合考虑任务类型、数据规模、数据特征和计算资源等因素，通过实验和实践进行选择和调整。