RESUMEN: En este trabajo de investigación se diseñan controladores usando redes neuronales aplicados a robots manipuladores rígidos con n grados de libertad. Se toma en cuenta que algunos parámetros del sistema dinámico son desconocidos, por lo que la dinámica relacionada a estos parámetros es compensada por una red neuronal. Dicha red neuronal está constituida por un perceptrón de dos capas que se encuentra en constante aprendizaje en línea, ya que los pesos y umbrales son estimados en tiempo real por la ley de adaptación propuesta. Además, la red neuronal usada tiene los pesos y umbrales fijos en su capa oculta y escogidos aleatoriamente en un rango acotado. Los controladores propuestos tienen una estructura inspirada del control proporcional, integral y derivativa (PID) más una compensación adaptable basada en redes neuronales y un término extra que elimina el error de aproximación que genera la red. La red neuronal a utilizar está constituida por la función de activación tangente hiperbólica en la capa oculta y la función de activación lineal en la capa de salida. Los controladores propuestos presentan un análisis global del sistema de lazo cerrado. Se prueba que se satisface el objetivo de control en regulación o seguimiento de trayectorias. Además, se presentan resultados numéricos de los controladores aplicados a un brazo mecánico de 3 grados de libertad completamente actuado en comparación con otros controladores reportados previamente en la literatura. Teórica y numéricamente, se demuestra que los pesos y umbrales estimados por la ley de adaptación en cada uno de los controladores propuestos se mantienen acotados. Como se mencionó, se obtienen resultados empleando simulaciones numéricas y se usan diferentes índices de desempeño. ABSTRACT: In this research, controllers are designed using neural networks applied to rigid manipulator robots with n degrees of freedom. It is taken into account that some parameters of the robotic system are unknown, hence the dynamics related to these parameters are compensated by a neural network. This neural network consists of a two-layer perceptron that is constantly learning online, since the weights and thresholds are estimated in real time by a proposed adaptation law. besides, the neural net has the weights and thresholds fixed in its hidden layer and are chosen randomly in a limited range. The proposed controllers have a structure inspired in the proportional, integral and derivative (PID) control plus neural compensation and have an extra term that eliminates the approximation error generated by the network. The neural network uses a hyperbolic tangent activation function in the hidden layer and a linear activation function in the output layer. The proposed controllers present a global analysis of the closedloop system. It is proved that the objective of controlling the regulation or trajectory tracking is satisfied. Numerical results are presented when the controllers are applied to a fully actuated 3-degree-of-freedom mechanical arm. Comparasons with other controllers previously reported in the literature are also given. Theoretical and numerical, it is proven that the weights and thresholds estimated by the adaptation law in each of the proposed controllers remain bounded. As mentioned earlier, results are obtained using numerical simulations and different performance indexes are used.