Com a crescente expansão do volume de dados disponíveis e a latente necessidade de transformá-los em conhecimento e informação, se faz necessário o desenvolvimento de técnicas capazes de realizar a análise destes dados em tempo hábil e de uma maneira eficiente. Redes Neurais promovem uma análise de dados capaz de classifica-los, como também, predizem informações sobre estes. Entretanto, Redes Neurais propõem um modelo natural de computação paralela que requer técnicas de implementação com alto poder de processamento. O crescente desenvolvimento do hardware paralelo oferece ambientes com poder computacional cada vez mais robusto. A GPU classifica-se como hardware capaz de processar implementações paralelas de uma maneira eficiente e a um custo em constante redução. Sendo assim, apresenta-se uma técnica de implementação paralela de Redes Neurais com processamento em GPU. Este trabalho visa realizar uma análise comparativa entre diferentes técnicas de implementação encontradas na literatura e a técnica proposta neste trabalho. Resultados experimentais indicam a sobressaliência do modelo paralelo quando comparado a uma implementação sequencial com processamento em CPU.