Promocijas darbs ir veltīts metodoloģijas izstrādei, kas paredzēta zināšanu izgūšanai no apmācītiem mākslīgiem neironu tīkliem (MNT). Mākslīgie neironu tīkli bieži uzrāda izcilus rezultātus klasifikācijas uzdevumos, bet nereti tos nav iespējams pielietot sakarā ar neskaidrību par to, kā tiek pieņemts klasifikācijas lēmums. Tas stipri ierobežo dotā veida klasifikatoru pielietojamību, it īpaši kritiskās nozarēs: medicīnā, kodolenerģētikā, finanšu un citās jomās. Izgūtās zināšanas ļauj ekspertam validēt modeļa klasifikācijas lēmumu. Validācijai ekspertam nepieciešamas zināšanas reprezentētas ar likumiem kuriem ir vienkārša struktūra. Tapāt zināšanas izgūtās no MNT ir viegli iebūvējamas citās informācijas sistēmās, piemēram, datubāzēs. Šajā gadījumā izgūto likumu klasifikācijas precizitātei ir lielāka nozīme nekā mazam izmēram vai vienkāršībai, kas nodrošina ekspertam klasifikācijas lēmuma saprotamību. Darba gaitā tika izstrādāta metodoloģija zināšanu izgūšanai no apmācīta MNT. Šī metodoloģija dod ieskatu zināšanu reprezentācijas veidos un apvieno izstrādātas pieejas klasifikācijas lēmumu koka izgūšanai no MNT, Ja-Tad likumu izgūšanai no gaballīniju klasifikatora un eliptisko likumu izgūšanai no radiālas bāzes funkcijas MNT. Pēdējās divas pieejas balstītas optimizācijas metodēs. Turklāt lēmumu koku un eliptisko likumu izgūšanas metodes ir pielietojamas jebkura tipa klasifikatoram. Piedāvāta vispārināšanas iespējas palielinoša MNT apgriešanas pieeja, ir paveikta svaru un neironu apgriešanas efekta salīdzināšana un dotas rekomendācijas apgriešanas pieeju izvēlei. Metodoloģija piedāvā eksperimentāli apstiprinātas rekomendācijas izgūto likumu precizitātes uzlabošanai vai to vienkāršošanai.