O presente estudo propõe a viabilidade da utilização de mapas auto-organizáveis de kohonen (mak) para o processo de detecção e classificação de eventos epileptiformes (ee) para o apoio ao diagnóstico de epilepsia, para tanto optou-se pelo desenvolvimento de um protótipo de sistema automatizado, utilizando técnicas de inteligência artificial baseado em mak. o sistema protótipo proposto chamado de sistema classificador kohonen para eventos epileptiformes (sckee) foi desenvolvido com o objetivo de obter um software protótipo com capacidade de realizar o processamento dos sinais de forma eficiente e classificar automaticamente ee em sinais de eletroencefalografia de longa duração. o sckee é composto por dois módulos (treinamento e teste), nos quais são utilizados uma camada de entrada com 512 neurônios e uma camada de saída com 3 possibilidades de tamanhos (100, 225 e 400 neurônios), e quatro funções de ativação de vizinhança (discreta, gaussiana, "chapéu mexicano" e "chapéu francês"), o qual seu funcionamento segue da seguinte forma, primeiramente, no módulo de treinamento é realizada a separação das classes de padrões apresentado ao sistema, gerando o conjunto de pesos treinados, no módulo de teste é utilizado o conjunto de pesos treinados para a classificação dos padrões a serem testados. a avalição dos dados de classificação gerados pelo sckee foi realizada com base nos índices de desempenho obtidos através da análise dos resultados gerados por este. concluiu-se que a função de ativação de vizinhança "chapéu mexicano", no tamanho de rede de 225 neurônios, obteve os melhores resultados para os índices de desempenho avaliados: sensibilidade de 100%, especificidade de 91%, seletividade positiva e seletividade negativa de 90% e 100%, respectivamente e eficiência de 95%. com a utilização de mak com apenas uma rede neural artificial na camada de saída, foi possível a separação e classificação dos ee com resultados promissores, no qual pode-se atribuir os excelentes resultados alcançados, ao desenvolvimento de um software exclusivo para a classificação dos ee em sinais de eeg, o que pode confirmar a viabilidade da utilização do mak para apoio ao diagnóstico.