Исследования в области искусственного интеллекта ведутся с возрастающим и н-тересом с каждым годом. Области применения искусственного интеллекта довольнообширны: автоматизация, анализ большого объема данных, технологии умного дома,машинное зрение и т.д. Технологии искусственного интеллекта базируются на использ о-вании искусственных нейронных сетей, имеющие в своей основе принципы нервной сис-темы животных. При этом актуальным вопросом является реализация искусственныхнейронных сетей на различных программно-аппаратных платформах: программируемыхлогических интегральных схемах (ПЛИС) типа FPGA (Field Programmable Gate Array), наинтегральных схемах специального назначения (Application-Specific Integrated Circuit,ASIC), GPU, CPU и т.д. ПЛИС наилучшим образом проявляют себя в маломощных мо-бильных системах. ASIC демонстрируют наибольшую производительность с н едостат-ком: высокая цена разработки. Проблема быстрого прототипирования проектов, осн о-ванных на использовании искусственных нейронных сетей, для ПЛИС привычными мет о-дами (c помощью HDL-языков, HDL-кодеров, графического программирования) заключа-ется в том, что либо такой проект сложен и длителен в отладке (HDL-языки), либо неоптимален получающийся код (HDL-кодеры), либо высока длительность разработкипроекта и сложность реконфигурации нейронной сети (графическое программирование).Поэтому в рамках данной работы рассматривается эффективный метод проектирова-ния полносвязных и сверточноых нейронных сетей для их реализации на ПЛИС использ о-ванием пакета Xilinx System Generator for DSP и Matlab/Simulink. Генерируемые такимобразом искусственные нейросети легко реконфигурируемы и позволяют решать сле-дующие задачи: распознавание изображений, оптимальная фильтрация (например, длязадач подповерхностной радиолокации).