类神经网络（Neural Networks）在许多应用中表现出色，但也存在一些缺点。根据问题所给选项，以下是对每个选项的分析：

A: 无法得知最佳解
- 这并不是类神经网络特有的缺点，许多复杂的优化问题本身就没有保证能找到全局最佳解的算法。神经网络通过迭代优化算法（如梯度下降）来寻找近似解，但不一定能找到全局最优解。

B: 模型准确度低
- 这一点通常不适用于类神经网络。事实上，神经网络，尤其是深度神经网络，在许多任务中表现出高准确度。模型的准确度取决于多种因素，包括数据质量、网络结构和训练方法。

C: 知识结构是隐性的，缺乏解释能力
- 这是神经网络的一个显著缺点。由于神经网络的复杂性和高维性，其内部工作机制通常难以解释，这使得它们在可解释性要求高的领域中应用受到限制。

D: 训练模型的时间长
- 训练神经网络，特别是深度神经网络，通常需要大量的计算资源和时间，尤其是在大规模数据集和复杂模型的情况下。

综上所述，类神经网络的缺点主要包括C和D：

C: 知识结构是隐性的，缺乏解释能力
D: 训练模型的时间长