Η υπολογιστική όραση αποτελεί ένα από τα σημαντικότερα πεδία έρευνας στο φάσμα της τεχνητής νοημοσύνης. Η ταξινόμηση εικόνων, η διακριτοποίηση και η αναγνώριση αντικειμένων είναι οι βασικές τεχνικές της υπολογιστικής όρασης. Κατά την ανάλυση των τεχνικών αυτών παρατηρείται ότι η υφή είναι ένα από τα χαρακτηριστικά που καθορίζουν το αποτέλεσμα. Συνεπώς, η αναγνώριση και η ταξινόμηση υφής θεωρείται ένα αυτοτελές αντικείμενο για έρευνα. Στην παρούσα εργασία παρουσιάζεται μια μέθοδος ταξινόμησης εικόνων υφής που βασίζεται στα αρθρωτά νευρωνικά δίκτυα. Νευρωνικά δίκτυα μικρής κλίμακας χρησιμοποιούνται για την περιγραφή διάφορων περιοχών σε εικόνες υφής με σκοπό να την περιγράψουν όσο το δυνατόν καλύτερα. Με τη βοήθεια ενός μικρού αριθμού μοντέλων τα οποία πληρούν συγκεκριμένα κριτήρια, εξάγεται για κάθε εικόνα του συνόλου εκπαίδευσης και του συνόλου ελέγχου ένα ιστόγραμμα μοντέλων. Μια εικόνα του συνόλου ελέγχου ταξινομείται στην κλάση στην οποία υπάρχει εικόνα με παρόμοιο ιστόγραμμα. Παράλληλα, υλοποιείται η εκπαίδευση ενός κλασικού προεκπαιδευμένου συνελικτικού νευρωνικού δικτύου για τα σύνολα δεδομένων που χρησιμοποιήθηκαν. Οι δύο μέθοδοι αξιολογούνται τόσο ως προς την ευρωστία όσο και ως προς το χρόνο εκπαίδευσης και ταξινόμησης. Χρησιμοποιήθηκαν δύο σύνολα δεδομένων εικόνων υφής επιφάνειας: ένα σύνολο δεδομένων με εικόνες από διαφορετικές κλάσεις χωρίς περιστροφή και ένα σύνολο δεδομένων με περιστραμμένες εικόνες. Η βασική μέθοδος των αρθωτών νευρωνικών δικτύων αποδίδει στο πρόβλημα της ταξινόμησης εμφανίζοντας υψηλή ακρίβεια και στα δύο σύνολα δεδομένων.