Se realiza un análisis exhaustivo de dos tipos de redes neuronales artificiales (ANN) para evaluar la influencia de la cuantización en los pesos sinápticos. Las redes neuronales de perceptrón multicapa convencionales (MLP) y las redes neuronales convolucionales (CNN) han sido consideradas al modificar sus características en los contextos de entrenamiento e inferencia, como el número de niveles en el proceso de cuantización, el número de capas ocultas en la topología de la red, el número de neuronas por capa oculta, las bases de datos de imágenes, el número de capas convolucionales, etc. Se empleó una tecnología de referencia basada en estructuras 1T1R con memristores bipolares que incluyen dieléctricos, teniendo en cuenta diferentes esquemas multinivel y los algoritmos de cuantización de conductancia correspondientes. Se estudió a fondo la precisión de los procesos de reconocimiento de imágenes. Este tipo de estudios son esenciales antes de la implementación de hardware de redes neuronales. Los resultados obtenidos respaldan el uso de CNN para dominios de imágenes. Esto está vinculado al papel desempeñado por las capas convolucionales en la extracción de características de la imagen y la reducción de la complejidad de los datos. En este caso, el número de pesos sinápticos se puede reducir en comparación con MLPs.