Neuronové sítě jsou rozšířenou výpočetní metodou a byly úspěšně využity při řešení různých problémů v mnoha vědních oborech a také v geoinformatice. Cílem této práce je otestovat zda je možné využít neuronové sítě z modulu ann.* v programu GRASS GIS k interpolaci a porovnat tuto metodu s vybranými klasickými interpolačními metodami dostupnými v GIS software. Testování probíhalo na umělých datech vytvořeným v programu R, která simulovala různou tři různé členitosti povrchu. K interpolaci byl využit jednoduchý model sítě nazývaný vícevrstvý perceptron. Interpolace probíhala v programech GRASS GIS a R Project. Interpolace pomocí neuronových sítí byla porovnána s interpolací pomocí metod IDW a ordinary kriging. Dále byly zkoumány rozdíly modulem ann.* v programu GRASS GIS a balíčky s neuronovými sítěmi (nnet a neuralnet) v R. Testy a srovnání probíhaly na základě RMSE a vizuálního srovnání. Také byla srovnávána časová náročnost a uživatelská přívětivost interpolačních metod. Ačkoliv jsou výsledky interpolace pomocí vícevrstvého perceptronu poměrně dobré, příprava dat a hledání optimálního nastavení parametrů sítě je složité a časově náročné, zvláště pro neuzkušené uživatele.Artificial neural networks (ANN) are popular computation method and have been successfully applied for solving various problems in many scientific areas, also in geoinformatics. The aim of present thesis is to test the use of ANN for spatial interpolation, examine, if the method has any significant advantages in comparison with interpolation tools already available in GIS software. In the thesis the simple and well known ANN model called multilayer perceptron was applied for interpolation of artificial data created in R. The tests were conducted for three areas with different characteristics. Softwares GRASS GIS (ann.* modules) and R (packages nnet a neuralnet) were used. The results of interpolation by use of ANN were compared with Inverse Distance Weighting (IDW) and ordinary kriging. In addition, the differences between ann.* modules in GRASS GIS and packages nnet a neuralnet in R were showed. Time demands and user experience necessary for successful analysis were also considered. Although multilayer perceptron model is giving relatively good interpolation results, the data preparation and finding appropriate net configuration make it difficult and time consuming method, especially for not experienced users.