Статья посвящена задаче идентификации параметров двух моделей нейронов ФитцХью—Нагумо. Модель ФитцХью—Нагумо является упрощенной двухмерной версией модели Ходжкина—Хаксли и благодаря своей простоте имеет большую ценность для применения на практике. Однако при проведении эксперимента нередко измерению доступна только одна переменная модели ФитцХью—Нагумо — мембранный потенциал, а вторая переменная совокупного действия всех медленных ионных токов, отвечающих за восстановление потенциала покоя мембраны нервной клетки, и производные обеих переменных неизмеряемы. Это обстоятельство значительно усложняет задачу идентификации модели и, следовательно, описанный случай требует особенного внимания. В первую очередь, модель была преобразована к более удобной форме, в которой отсутствуют недоступные измерению переменные. Вместо неизмеряемых производных в уравнениях модели были использованы переменные, получающиеся при применении двойного реального фильтра дифференциатора. Для получившегося линейного уравнения была сформулирована цель идентификации, гарантирующая корректную настройку параметров, и построена дополнительная адаптивная система, параметрами которой являются оценки параметров исходной модели, а выходной переменной — оценка выхода линейного уравнения. Затем был выбран интегральный целевой функционал, и с помощью метода скоростного градиента был получен простой детерминированный алгоритм настройки параметров исходной модели двух нейронов ФитцХью—Нагумо, также обеспечивающий сходимость выходной переменной адаптивной системы к выходной переменной полученного линейного уравнения. Приводятся результаты компьютерного моделирования в среде Simulink, демонстрирующие быструю сходимость рассматриваем ых оценок к их истинным значениям для двух используемых наборов начальных данных и пара метров. Преимущества предлагаемого метода заключаются в том, что, во-первых, он значительно проще существующих решений: полученный алгоритм настройки параметров представляет собой систему обыкновенных дифференциальных уравнений первого порядка; а во-вторых, общая структура и число уравнений полученного решения не изменится при увеличении числа рассматриваемых моделей нейронов. Это означает, что предлагаемый подход потенциально может быть применен для моделирования активности большего числа нейронов и даже целых популяций.