A Lógica Paraconsistente Anotada – LPA é uma lógica não clássica, baseada em conceitos que permitem, sob certas condições, aceitar a contradição em seus fundamentos, sem invalidar as conclusões. Interpretações matemáticas em seu reticulado associado, possibilitam a obtenção de equações e construções de algoritmos, que formam redes de análise paraconsistentes eficientes, em tratar sinais simulando aprendizagem. O algoritmo utilizado nesta pesquisa, é denominado de Célula Neural Artificial Paraconsistente de aprendizagem (CNAPap), e foi criado a partir das equações baseadas em LPA. Com sinais padronizados repetidamente aplicados à sua entrada, a CNAPap é capaz de armazenar gradativamente estas informações, aumentando ou diminuindo seu nível de resposta na saída com variação assintótica, controlado por um Fator de Aprendizagem (FA). Para executar os testes, um conjunto de cinco CNAPaps formando uma Rede Neural Artificial Paraconsistente de aprendizagem (RNAPap), foi implementado em um microcontrolador ATMEGA 328p e vários ensaios foram realizados para validar o seu funcionamento, atuando no aprendizado por demonstração (LfD) em um Robô Manipulador. Considerando a frágil estrutura mecânica do Robô Manipulador, e dos dispositivos sensores adaptados para responder aos padrões, os resultados laboratoriais obtidos nos diversos testes apresentados foram satisfatórios, e o Sistema microprocessado construído respondeu de modo eficiente, onde os níveis de acertos, corresponderam entre 75% a 90%, em todas as etapas do método de LfD. Os resultados de estudos comparativos, mostraram que a RNAPap possui propriedades dinâmicas com capacidade de atuar, tanto no método de aprendizagem por demonstração, como no método de imitação.