В дисертації запропонована модель прискореної нейрообробки даних у розподіленому середовищі , яка дозволяє адаптувати нейрообчислення
багатошарових нейронних мереж з різними топологіями на високопродуктивну архітектуру. Метод масштабування обчислювальної системи шляхом визначення прискорення розподіленої нейропроцедури з урахуванням загальної кількості скалярних операцій і втрат часу на виконання розподілених операцій дозволяє оцінити продуктивність подальшого підвищення потужності гетерогенного або гомогенного обчислювального середовища. Запропонована модель оцінювання прискорення навчання та функціонування багатошарових нейронних мереж з різними топологіями сукупно враховує часові параметри виконання нейропроцедури та апаратні характеристики мережі, що дозволяє підвищити продуктивність паралельних нейрообчислень під час вирішення завдань з великим обсягом вхідних даних.