在Keras中创建一个全连接神经网络，可以按照以下步骤进行：

导入Keras库中的相关模块：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

创建一个Sequential模型，用于构建神经网络的结构：

model = Sequential()

向模型中添加全连接层(Dense)：

# 添加第一个全连接层，指定输入维度和神经元个数，激活函数为ReLU
model.add(Dense(units=64, input_shape=(input_dim,), activation='relu'))
# 添加更多全连接层
model.add(Dense(units=32, activation='relu'))
# 添加输出层，神经元个数为分类的类别数，激活函数为softmax
model.add(Dense(units=num_classes, activation='softmax'))

编译模型，指定损失函数、优化器和评估指标：

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

训练模型：

model.fit(X_train, y_train, batch_size=32, epochs=10, validation_data=(X_val, y_val))

评估模型性能：

loss, accuracy = model.evaluate(X_test, y_test)

通过以上步骤，您就可以在Keras中创建一个全连接神经网络，并进行训练和评估。您可以根据具体的问题和数据调整神经网络的结构和超参数，以获得更好的性能。