El presente proyecto realiza una aproximación a la técnica SOM de aprendizaje automático por redes neuronales, la cual cobra gran relevancia en la actualidad, dado que es la base de muchas herramientas de data mining. Se propone la implementación de SOM en una nueva arquitectura, en el campo de los sistemas embebidos, que combina velocidad, paralelismo y bajo costo de desarrollo. En base a esta plataforma se desarrolla una solución basada en machine learning al problema de detección de spam. La plataforma elegida es el DSP Blackfin bf537 basado en uClinux, variante de Linux para sistemas embebidos. La herramienta antispam desarrollada se integra al cliente de correo Evolution de Linux, no siendo compleja su adaptación a otros clientes. La solución es fácilmente escalable a las necesidades de detección de spam de una red corporativa. Se obtuvo un buen resultado en la implementación de SOM sobre el DSP tanto en entrenamiento como en clasificación. Dado el carácter opensource del entorno de desarrollo en el DSP se adquirió un conocimiento importante en la programación en ambiente Linux. Las comparaciones de performance realizadas con otras herramientas antispam disponibles comercialmente muestran resultados promisorios, con importantes mejoras en cuanto a velocidad de clasificación. Operando el hardware en forma standalone se obtiene una alternativa de bajo costo frente a un servidor centralizado para la protección contra el spam.