O reconhecimento automático de caracteres manuscritos tem sido um tópico de pesquisa intensivamente estudado por mais de duas décadas. Essa atividade é motivada pela grande quantidade de aplicações encontradas, dentre as quais pode-se citar o processamento de envelopes postais e cheques bancários. Entretanto, problemas complexos e de difı́cil solução continuam em aberto, uma vez que existem inúmeras maneiras de se representar um caracter na escrita manual. Como os seres humanos são capazes de reconhecer eficientemente padrões diferentes como manuscritos de várias formas, o presente trabalho emprega um mecanismo de zoneamento, inspirado no modelo biológico para o reconhecimento de caracteres manuscritos isolados. As bases de dados utilizada para os experimentos são a Letter e a IRONOFF, com caracteres manuscritos minúsculos e maiúsculos do alfabeto inglês. Neste trabalho, duas arquiteturas de redes neurais artificiais (RNA) são testadas para a classificação dos caracteres, uma RNA MLP (Multiple Layer Perceptron) convencional e classe-modular, ou seja, um conjunto de redes neurais MLP de forma que cada classe do problema possui uma rede especı́fica. Resultados experimentais com as bases utilizadas demonstram uma superioridade na utilização da arquitetura classe-modular em relação à RNA MLP convencional. Para a base Letter, as taxas de reconhecimentos para a arquitetura convencional e classe-modular respectivamente são 83,10% e 93,67%. Para a base IRONOFF, as taxas de reconhecimento para a arquitetura convencional são 56,14% para os caracteres minúsculos e 63,49% para os caracteres maiúsculos, enquanto que para a arquitetura classe-modular, as taxas de reconhecimentos para os caracteres minúsculos são 80,75% e para os caracteres maiúsculos são 89,21%.