Розглянуто питання вибору оптимального алгоритму навчання нейронної мережі, визначення типів нейронів у різних шарах багатошарової мережі та оптимізації кількості нейронів у проміжних шарах. Як об'єкт оптимізації обрано статичні мережі з прямим розповсюджуванням сигналу. За критерій оптимізації нейронної мережі взято відсоток помилок розпізнавання та відсоток грубих помилок розпізнавання. При навчанні та оптимізацїї мережі використано навчальну та тестову вибірки даних, які описують 16 класів технічного стану (ТС) авіаційного двигуна ПС-90А. Вибірки включають такі первинні класи ТС: бездефектний ГТД і ГТД з дефектами вентилятора, компресора високого тиску, камери згоряння, турбіни високого і низького тиску, а також вторинні класи (попарні комбінації первинних дефектних класів). Як ознаки стану використано нормовані діагностичні відхилення параметрів робочого процесу. При виборі алгоритму навчання розглядалися алгоритми Флетчера-Пауела, Полака-Рібейри, Бієля-Пауела, Левенберга-Марквардта, Бройдена-Флетчера, Батіті, регуляризації Баузена та алгоритм зворотного поширення помилки. Як найбільш оптимальний обрано алгоритм Полака-Рібейри. В якості функцій активації в різних шарах мережі використовувались лінійна, гіперболічний тангенс та логістична функції активації