Исследована возможность решения обратной задачи с помощью искусственных нейронных сетей. Для демонстрации подхода рассматривается пример, состоящий из аналитической модели переноса загрязняющих веществ из точечного источника в стационарном поле потока. Модель использовалась для моделирования поведения систем подземных вод при различных значениях коэффициента дисперсии. Далее набор контролируемых многослойных нейронных сетей прямого распространения обучали оценке, определению, подбору параметра, соответствующего заданным историям концентрации. Полученные результаты показали удовлетворительную точность оценок нейронной сети, что подтверждает устойчивость подхода к анализу данных в полевых экспериментах. При обучении четырех искусственных нейронных сетей контролируемого, многослойного и прямого типов установлено, что каждая из них специализировалась в широком диапазоне значений. Это привело к более точным прогнозам по сравнению со случаем обучения одной сети на всем диапазоне значений. Кроме того, в статье показана способность нейронной сети идентифицировать параметр дисперсии при заданной концентрации при влиянии «шума». В результате анализа топологий применяемых нейронных сетей установлено, что для обеспечения удовлетворительного уровня точности расчетов достаточным является наличие 10 скрытых узлов. //The paper investigates the possibility of solving the inverse problem using artificial neural networks. To demonstrate the approach, an example is considered consisting of an analytical model of the transfer of pollutants from a point source to a stationary flow field. The model was used to model the behavior of groundwater systems at different values of the dispersion coefficient. Next, a set of controlled multilayer neural networks of direct propagation was trained to evaluate, determine, and select a parameter corresponding to given concentration histories. The results obtained in the work showed satisfactory accuracy of neural network estimates, which confirms the stability of the approach to data analysis in field experiments. When training four artificial neural networks of a controlled, multilayer and direct type, it was found that each of them specialized in a wide range of values. This led to more accurate predictions compared to the case of training a single network over the entire range of values. In addition, the paper shows the ability of a neural network to identify the dispersion parameter at a given concentration under the influence of “noise”. An analysis of the topologies of the applied neural networks has established that the presence of 10 hidden nodes is sufficient to ensure a satisfactory level of calculation accuracy.