En la presente tesis se desarrolla un sistema de control de la mezcla de aire y gasolina en un motor alternativo de cuatro tiempos, basado en redes neuronales. Para que el catalizador logre un grado de depuración aceptable con todos los gases contaminantes simultáneamente, debe mantenerse la proporción de aire y combustible, dentro de una banda muy estrecha. En estado estacionario, este objetivo se cumple sin demasiados problemas, pero el funcionamiento habitual de un vehículo es en régimen muy transitorio, donde los sistemas convencionales no logran evitar desviaciones importantes del punto de consigna. Estos se basan además en una gran cantidad de tablas estáticas, que deben calibrarse de forma experimental, lo cual es bastante costoso tanto en tiempo como en dinero.Para evitar estos problemas se ha diseñado un modelo matemático de un motor, que comprende todo el proceso de formación de la mezcla, sensores, la generación del par motor y la dinámica del vehículo. La realización final se ha realizado en el lenguaje de simulación MatLab/Simulink®. Los datos requeridos son fácilmente obtenibles bien por metrología, bien de forma experimental. Se ha validado con un motor SEAT de 1,6 l y 74 kW.Como primer paso se ha aplicado una estrategia de control convencional bastante simple, consistente en un controlador feedforward estático, más un controlador feedback de tipo PI ó PID. Esto ha permitido el estudio de las principales características del motor desde el punto de vista de control. Con los resultados obtenidos se ha diseñado un observador basado en una red neuronal, que elimine los retardos puros del sistema y que pueda ser utilizado para cerrar el lazo de control. Primero se ha usado una red feedforward, pero vistos los malos resultados, se ha desarrollado una red neuronal recurrente a partir de la red de Elman, que se ha modificado convenientemente para adaptarla a las dificultades propias del problema. El algoritmo de entrenamiento utilizado se basa en el de retropropagación clásico, y modifica no sólo los pesos entre capas, sino también los correspondientes a las neuronas de contexto, las cuales permiten memorizar estados internos. La principal mejora consiste en separar las neuronas de contexto en tantos grupos como entradas tiene la red, y entrenarlos por separado, de modo que cada grupo se adapte a la dinámica particular de la entrada a la que va asociado. Se muestra mediante simulación el comportamiento del conjunto motor más observador en lazo cerrado, y se compara con el esquema convencional. Se prueba asimismo la robustez del sistema frente a distintas consignas, ruido en la planta y defectos de sintonía. / In the present thesis a control system for the air-fuel mixture in a reciprocating four-stroke engine is developed, based on neural networks. The air-fuel ratio has to be kept within a very narrow window so that the catalyst achieves an acceptable degree of purification simultaneously with all the polluting gases. In steady state, this goal can be fulfilled without difficulties, but the usual operation of a vehicle is in a very transient state, where the conventional systems are not able to avoid important excursions from the set point. They also rely on a great number of look-up tables, which have to be tuned experimentally, thus with an enormous investment of money and time.To avoid those problems a mathematical model of an engine has been designed, in such a way that it comprises of the whole mixture formation process, sensors, the torque generation and the vehicle dynamics. Finally it has been implemented in the simulation language MatLab/Simulink®. The required data is easily available both from metrology, and experimental work. It has been validated with a 1,6 litre 74 kW SEAT engine.As a first step, a quite simple conventional control strategy has been applied, consisting of a static feedforward controller, and a PI or PID feedback controller. This has permitted studying the main features of the engine from the control point of view.With the obtained results an observer based on a neural network has been designed, which eliminates the delays of the system and that can be used to close the control loop. First a feedforward network has been used, but due to the bad results, a recurrent neural network has been developed starting from the Elman network, which has been properly modified in order to adapt it to the characteristic difficulties of the problem. The training algorithm used is based on that of classical backpropagation, and it modifies not only the weights interconnecting different layers, but also those corresponding to the context neurons, which allow the memorising of internal states. The main improvement consists in separating the context neurons in as many groups as the network has inputs, and to train them separately, so that each group adapts to the particular dynamics of the input with which it is associated. The behaviour of the engine plus the observer in closed loop is shown by means of simulation, and is compared with the conventional scheme. It is proven the robustness of system response to different set points, noise in the plant and tuning defects.