As Redes Neurais Artificiais (RNAs) são modelos computacionais inspirados no sistema nervoso central de um ser humano, em particular o cérebro, capazes de realizar o aprendizado de máquina, bem como o reconhecimento de padrões. As RNAs possuem características importantes, sendo que os neurônios de uma rede estão conectados entre si e dispostos em camadas. A disposição dos neurônios nas camadas e o padrão de conexão entre estas definem a arquitetura da RNA. O presente estudo trata do reconhecimento de padrões aplicado à letras e números em forma de imagem. Um exemplo de aplicação é o reconhecimento de placas de automóveis que, através da imagem da placa do veiculo, pode-se treinar um rede para o reconhecimento das letras e números ali presentes. Nesse projeto foi construído em forma matricial (3x3) nove letras e um número como entradas e saídas, sendo elas: T, L, U, I, Y, C, O, H, X e 4. A rede foi treinada com backpropagation de gradiente conjugado escalado (trainscg), contendo 9 (nove) neurônios na camada de entrada e 4 (quatro) neurônios na camada de saída, treinamento trainlm (LevenbergMarquardt backpropagation) e com sua performance MSE (mean squared error). Foram feitos diversos treinamentos de redes com a mudança de estilo de treinamento, mudando a função de ativação e outros parâmetros. Alterando os parâmetros da rede e outras funções, podemos utilizar para treiná-la e conseguir uma eficiência favorável, pois no reconhecimento de placas de veículos são utilizadas fotografias para o reconhecimento de padrões das letras e números ali presentes.