A atividade de mineração está diretamente relacionada com o desenvolvimento socioeconômico de um país, exercendo uma grande influencia nas exportações de matéria-prima, produção de energia e infraestrutura. O Brasil possui as maiores jazidas de minerais do supergrupo do pirocloro e isso gera bilhões de dólares na exportação de nióbio e produtos associados para o país. Esta situação ilustra a importância de desenvolvimento de técnicas de identificação e caracterização dos minerais com o objetivo de aperfeiçoar os processos de beneficiamento, otimizar o aproveitamento de recursos naturais e reduzir os impactos ambientais do procedimento de extração. A espectroscopia Raman é uma técnica adequada para a caracterização de minerais, uma vez que não é necessário o preparo prévio da amostra para a análise e não é destrutiva. Neste trabalho é realizada a identificação de minerais dos grupos da microlita e pirocloro pertencentes ao supergrupo do pirocloro, utilizando redes neurais artificiais para classificar os espectros Raman característicos coletados em três regiões de análise: 100–1400 cm^-1 (região de bandas Raman características), 1200–1800 cm^-1 (região das bandas de deformação angular de H₂O) e 2800–4000 cm^-1 (região das bandas de estiramento de OH). Os espectros coletados foram tratados por dois métodos de correção de linha de base (Mínimos Quadrados Assimétricos e Vizinhos Próximos) antes de serem utilizados nas primeiras etapas de aprendizagem das redes neurais. Outras técnicas de caracterização foram utilizadas (difração de raios-X por monocristal e microssonda eletrônica) para confirmar a identificação das amostras padrão deste trabalho que foram usadas como conjunto de dados de treinamento das redes neurais. As redes estruturadas neste trabalho apresentaram bom desempenho, obtendo acurácia de 0,88 com valor da função custo de 0,52, em comparação com os valores da literatura.

The mining activity is directly related to the socioeconomic development of a country, since it highly influences commodity exports, energy production and infrastructure, for example. Brazil has largest deposits of pyrochlore supergroup minerals worldwide, which generates billions of dollars in exports of niobium and associated products for the country. This scenario illustrates the importance of techniques for the identification and characterization of minerals towards improving beneficiation processes, optimizing the use of natural resources and reducing environmental impacts of the extraction procedure. Raman spectroscopy is an excellent technique for the characterization of minerals, since it requires no pre-preparation of the samples for analyses and is not destructive. This dissertation addresses the identification of minerals of microlite and pyrochlore groups from the pyrochlore supergroup by artificial neural networks for the classification of characteristic Raman spectra collected in three regions of analysis, namely: 100-1400 cm^-1 (characteristic Raman bands), 1200-1800 cm^-1 (region of H₂O bending) and 2800-4000 cm^-1 (OH stretching bands). The spectra were treated by two methods of baseline correction (Asymmetric Least Squares and Near Neighbors) prior to use in the first stages of neural network learning. Single-crystal X-ray and electron microprobe were also applied towards confirming the identification of standard samples used as a training dataset in networks. The networks structured showed good performance and achieved 0.88 accuracy at a 0.52 cost function in comparison to other networks reported in the literature.