Статья посвящена решению задачи определения авторства произведений художников-импрессионистов по цифровым изображениям на основе построения и исследования нейросетевой сверточной модели. Актуальность выполненной работы обусловлена не только необходимостью цифровизации объектов культурного наследия, но и стремительным развитием генеративных нейронных сетей, которые ставят новые задачи по различению графического контента, созданного человеком и искусственным интеллектом. Импрессионизм, как одно из ключевых направлений в живописи, характеризуется уникальными, но трудно формализуемыми признаками. Определение авторства произведения, когда все художники работают в рамках одного стиля, является очень сложной задачей, поскольку различия в технике мазка автора, цветовой палитре и композиции могут быть очень тонкими и незначительными. Поэтому для решения этой задачи целесообразно использовать современные методы искусственного интеллекта, основанные на глубоком обучении. В работе применен подход на основе сверточных нейронных сетей с использованием технологии трансферного обучения. Для его реализации выполнены следующие основные этапы: получение и подготовка данных для анализа, выбор библиотек и архитектуры для построения нейросетевой модели, обучение модели, оценка результатов ее работы. Для реализации первого этапа использован общедоступный набор данных Impressionist Classifier Data, полученный с платформы Kaggle и содержащий работы десяти известных художников-импрессионистов. Общее число изображений для классификации составило 4978, из которых обучающая выборка содержала 3990, а валидационная - 988 изображений. Для построения сверточной нейросетевой модели использован язык программирования Python, а также следующие библиотеки и фреймворки: PyTorch, torchvision, NumPy, Pandas, Matplotlib и другие. Рассмотрена и реализована архитектура сверточной нейронной сети ResNet-50, предобученная на базе данных ImageNet, которая была адаптирована для решения задачи классификации для 10 классов. Применена стратегия обучения с заморозкой слоев и последующей тонкой настройкой. Построенная (дообученная) модель продемонстрировала высокую эффективность, достигнув точности 86,06% на валидационной выборке данных. Проведен анализ качества классификации модели с использованием матрицы ошибок, ROC-кривых и других метрик (accuracy, Top-3 accuracy, precision, recall и F1-score). Выявлены проблемы с классификацией стилистически близких художников, что указало на необходимость дополнительной балансировки выборки и применения специализированных методов аугментации. Намечены направления перспективных исследований.