Los sistemas de Redes Neuronales artificiales (o ANS, Artificial Neural Systems) están inspiradas en la funcionalidad de las neuronas biológicas, aplicados al reconocimiento de patrones que las convierten aptas para modelar y efectuar predicciones en sistemas muy complejos. Para la construcción del prototipo se ha considerado los siguientes aspectos: modelo de neurona, arquitectura o topología de conexión, y algoritmo de aprendizaje. Siendo la más óptima, por su simplicidad en el aprendizaje para la red, el modelo supervisado unidireccional "BACKPROPAGATION-SUPERVISED LEARNING", ya que hace backtracking hacia la entrada una vez que tiene los datos en la salida. Al igual que las redes neuronales, los algoritmos genéticos también cuentan con la capacidad para resolver un problema específico, pero a diferencia de los parámetros-red, cualquier representación puede ser expresada como una cadena de palabras de longitud fija (genotipo) sobre una finita (típicamente el binario) a ser usada. La interpretación (es decir el phenotype) de cadenas (genotipo) no es relevante para el algoritmo, inclusive si estos son: los parámetros de diseño del motor de inferencia, la estrategia a utilizar o, en cuanto a este proyecto, los pesos y bias de la red neuronal. Los algoritmos genéticos son métodos sistemáticos para la resolución de problemas de búsqueda y optimización que aplican a estos los mismos métodos de la evolución biológica: selección basada en la población, reproducción sexual y mutación. Los algoritmos genéticos son métodos de optimización, que tratan de resolver el mismo conjunto de problemas que se ha contemplado anteriormente, es decir, el objetivo es hallar (xi, ... ,xn) tales que F(xi, ... ,xn) sea máximo. En un algoritmo genético, tras parametrizar el problema en una serie de variables, (xi, ... ,xn) se codifican en un cromosoma. Todos los operadores utilizados por un algoritmo genético se aplicarán sobre estos cromosomas, o sobre poblaciones de ellos. El proyecto permite analizar y decodificar mediante técnicas inteligentes los medios de seguridad gráficos y obtener así la recuperación y verificación de datos de una persona, garantizando un alto grado de eficiencia y certeza en la validación de los datos. La realización del procesamiento de imágenes consume demasiado recurso de memoria y tiempo de procesamiento, motivo por el cual la ejecución de redes neuronales sobre éstas implica optimizar el proceso de aprendizaje de tal forma que se consiga una convergencia más veloz. Las búsquedas de imágenes dentro de bases de datos pueden simplificarse mediante el empleo del Prototipo de Sistema Híbrido Neurogenético, ya que no necesariamente puede ser aplicado a firmas personales sino también a otros patrones similares: reconocimiento de rostros y código de barras. La técnica híbrida que se implementó en el prototipo fue de gran utilidad Demostrando una vez más las ventajas de combinar las funcionalidades de dos técnicas de la IA, que dieron como resultado sacar lo mejor de ellas en la implementación de nuestro sistema.Tesis