Интеллектуализация средств обеспечения безопасности - главное направление развития современных систем физической защиты объектов. Рассматриваются методы построения блоков принятия решений в современных средствах обнаружения нарушителей, основанные на искусственных нейронных сетях (ИНС). Обучение блоков принятия решений происходит гораздо успешнее, если существует адекватная модель сигналообразования, как например, в периметровом магнитометрическом средстве обнаружения. Приведены сравнительные результаты оценки эффективности алгоритмов машинного обучения ИНС в различных условиях, на основании которых нельзя выделить наилучший - все определяется критерием оценки. Показано, что для систем физической защиты целесообразно применение обратного критерия Неймана-Пирсона с минимизацией вероятности ложной тревоги при фиксированной вероятности правильного обнаружения. В соответствии с этим, для обучения нейронной сети предложена модифицированная функция потерь. Она использовалась для оценки эффективности искусственной нейронной сети блока принятия решения в составе магнитометрического средства обнаружения, для которого имеются адекватные модели сигналообразования. Соответствующие результаты, полученные для рекуррентной сети реального времени с использованием обучающей выборки, показали, что при неизменной вероятности пропуска цели значение вероятности ложной тревоги уменьшились на порядок по сравнению с "классической" версией. Это позволяет предположить, что определенный выигрыш будет достигнут и для других типов средств обнаружения нарушителей.