A correta classificacao de individuos e de extrema importancia para fins de preservacao da variabilidade genetica existente bem como para a maximizacao dos ganhos. As tecnicas de estatistica multivariada comumente utilizada nessas situacoes sao as funcoes discriminantes de Fisher e de Anderson, que permitem alocar um individuo inicialmente desconhecido em uma das g populacoes provaveis ou grupos pre-definidos. Entretanto, para altos niveis de similaridade como e o caso de populacoes de retrocruzamentos esses metodos tem se mostrado pouco eficientes. Atualmente, muito se fala de um novo paradigma de computacao, as redes neurais artificiais, que podem ser utilizadas para resolver diversos problemas da Estatistica, como agrupamento de individuos similares, previsao de series temporais e em especial, os problemas de classificacao. O objetivo desse trabalho foi realizar um estudo comparativo entre as funcoes discriminantes de Fisher e de Anderson e as redes neurais artificiais quanto ao numero de classificacoes incorretas de individuos sabidamente pertencentes a diferentes populacoes simuladas de retrocruzamento, com crescentes niveis de similaridade."