Цель диссертационной работы заключается в разработке нейросетевых моделей и методов для повышения эффективности обработки многомерной информации в реальном времени путем уменьшения аппаратных и вычислительных затрат при сохранении либо улучшении функциональных характеристик. Впервые предложен метод авоматического построения адаптивной схемы дискретизации входных сигналов ИНС СМАС и ее производных структур, основанный на анализе энтропии обучающих последовательностей путем вычисления коэффициента подобия Грея. Применение предложенного метода позволяет упростить структуру сети за счет снижения точности аппроксимации областей входного пространства, имеющих наименьшую энтропию, а также повысить точность аппроксимации областей, где энтропия максимальна.