This work presents an alternative to the characterization of soybean cultivars in order to reduce spending typically aggregated in this task. For this, it was used a set of digital image processing techniques and artificial neural networks, as suggested in Padilha (2007). The fundamental difference of this work from the work of Padilha (2007) is the use of grain color as the main factor for the recognition of varieties. The use of color aims to improve the process. In this sense, it was used a case study for the following soybean cultivars: AL 83, BRS 133, BRS 184, BRS 214, CD 205, CD 206, CD 215, EMB 48, MERCEDES 70, MSOY 5826, NK 8350, RS 10 and MSOY 8000 RR. The images were supplied by Padilha (2007) and they were pre-processed until individual grains could be precisely located in the images. Then, the grain RGB coefficients in the images provided quantitative data needed to feed a neural network. Finally, several architectures of feed forward single hidden layer were trained by the back propagation algorithm and there was selected the model which shown better generalization ability to solve the problem.Este trabalho apresenta uma alternativa para a caracterização de cultivares de soja, visando diminuir os gastos tipicamente agregados na realização desta tarefa. Para isso, foi utilizado um conjunto de técnicas de processamento digital de imagens e redes neurais artificiais, conforme sugerido em Padilha (2007). A diferença fundamental do presente trabalho é o uso da cor dos grãos como fator principal para o reconhecimento das variedades. O uso da cor teve como objetivo melhorar a precisão do processo. Neste sentido, foram utilizadas para estudo de caso as seguintes cultivares de soja: AL 83, BRS 133, BRS 184, BRS 214, CD 205, CD 206, CD 215, EMB 48, MERCEDES 70, MSOY 5826, NK 8350, RS 10 e MSOY 8000 RR. As imagens destas variedades foram fornecidas por Padilha (2007) e passaram por uma série de pré-processamentos até que os grãos individuais pudessem ser localizados de forma precisa nas imagens. Então, os coeficientes RGB dos grãos nas imagens forneceram os dados quantitativos necessários para alimentar uma rede neural. Por fim, diversas arquiteturas feed forward com uma camada oculta foram treinadas pelo algoritmo de back propagation e foi selecionado o modelo que mostrou uma melhor capacidade de generalização na solução do problema.