Išanalizavus balsių ir pusbalsių teorinius fonetikos akustinius ir artikuliacinius požymius nebuvo galima suformuoti vienareikšmiškų kriterijų balsių ir pusbalsių diskriminavimui. Išanalizavus spektrogramas buvo pastebėta, kad balsių ir pusbalsių garsai išsiskiria vidutinėse dažnių juostose. Sukurtas naujas metodas balsių ir pusbalsių klasifikavimui naudojant spektrinės analizės požymius ir dirbtinį neuroninį tinklą. Šiam tyrimui buvo sukurtas fonemų klasifikavimo modelis, kai atitinkamai balsiai ir pusbalsiai yra išskaidomi į stacionarias dalis. Pasirinkto modelio eksperimentiniai tyrimai parodė, kad geriausiai balsiai ir pusbalsiai atskiriami nuo 0Khz iki 1Khz dažnių juostoje stacionarioje dalyje 75.56 % ir dešiniajame kontekste 75.31 % tikslumu. Taip pat buvo gautas geras rezultatas tarp 3Khz ir 4Khz dažnių juostose stacionarioje dalyje 75.37 % tikslumu. Geriausias rezultatas buvo gautas nuo 4Khz iki 5Khz dažnių juostose stacionarioje dalyje 77.15 % tikslumu. / To perform discrimination analysis of vowels and semivowels (using spectral analysis), exclude features of vowel‘s and semivowel‘s signals. Identify in which frequency zones differences of vowels and semivowels differentiates the best Tasks to do: Perform articulation features analysis of theoretic Lithuanian language phonetics: vowels and semivowels. Accomplish the reviews of discrimination or identification methods, which are used for vowels and semivowels. Design the theoretical model that could be applied for discrimination of vowel‘s and semivowel‘s using the features of spectral analysis and operating neural networks for classifications. Operating the created method execute the experimental test of vowels and semivowels classifications. To perform the spectral analysis of vowels and semivowels there was suggested a zone filter with framing and phonemes acoustic modeling. There was reached the 77,15 % classification accuracy using neural networks.