В статье описывается решение задачи построения и исследования нейронечеткой модели, используемой для диагностики сахарного диабета. В настоящее время наблюдается устойчивая тенденция увеличения распространенности сахарного диабета. Он представляет собой группу заболеваний эндокринной системы, связанных с нарушением усваивания глюкозы в организме. Своевременная диагностика этого заболевания играет ключевую роль в эффективном лечении и профилактике осложнений. Разработка эффективных методов диагностики сахарного диабета является важной задачей, требующей комплексного подхода с использованием современных информационных технологий. Для решения этой задачи целесообразно использование нечетких баз знаний, основанных на нечетко-продукционных правилах, формируемых с помощью нечетких нейронных сетей. Такой подход базируется на принципах нечеткой логики, что позволяет получать интерпретируемые решения. В работе в качестве инструмента формирования баз знаний использована модель нечеткой нейронной сети, показавшая свою эффективность в решении большого количества задач в различных предметных областях. Для обучения нечеткой нейронной сети потребовались исходные данные, в качестве которых выбран набор данных Pima Indians из открытого источника Kaggle. Набор включает в себя 768 записей по 9 параметрам, один из которых является выходным, указывающим на наличие или отсутствие заболевания. В результате предобработки исходных данных выбрано 4 входных параметра, значимо влияющих на выходной. Для обучения нечеткой нейронной сети использован программный комплекс «Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов». Из исходных данных сформированы обучающая и тестовая выборки методом группового случайного сэмплинга с замещением. Для обучения использованы треугольные функции принадлежности. В ходе обучения нечеткая нейронная сеть прошла 9 полных итераций, длившихся в общей сложности 55 минут 32 секунды. За каждую итерацию алгоритм обрабатывал по 38 параметров функций принадлежности. Для обучающей выборки точность классификации составила 86,72%, для тестовой - 73,33%. В ходе обучения проведены дополнительные исследования по оценке влияния параметров генетического алгоритма на адекватность нейронечеткой модели. Результаты исследований позволили сформулировать рекомендации по выбору параметров обучения нечеткой нейронной сети. Сравнение полученных результатов с известными результатами других авторов позволило сделать вывод, что нейронечеткая модель является эффективной для решения задачи диагностики сахарного диабета. В дальнейшем построенную модель можно интегрировать в интеллектуальную систему и использовать в диагностической деятельности врачей.