Los ciclones se utilizan en muchas industrias de tratamiento de residuos para la recolección o reducción de polvo. La predicción de la eficiencia de recolección de polvo es crucial para el diseño y la optimización del ciclón. Sin embargo, esta es una tarea difícil debido a los complejos fenómenos físicos que influyen en la eliminación de partículas. El objetivo del artículo es presentar dos nuevos meta-modelos para la predicción de la curva de eficiencia de recolección de separadores ciclónicos. Se desarrollaron modelos de Red Neuronal de Retropropagación (BPNN) y Regresión de Vectores de Soporte (SVR) utilizando el entorno de Python. Estos fueron entrenados con un conjunto de datos experimentales tomados de la literatura. Las capacidades de predicción de los modelos se evaluaron primero comparando la eficiencia de recolección estimada para varios ciclones con los datos experimentales correspondientes. En segundo lugar, comparando las curvas de eficiencia de recolección predichas por los modelos y las obtenidas de modelos clásicos disponibles en la literatura para los ciclones incluidos en el conjunto de datos de validación. El BPNN demostró una mejor capacidad predictiva que el SVR, con un error cuadrático medio general de 0.007 en comparación con 0.015, respectivamente. Lo más importante es que se logró una mejora en la precisión de las predicciones de los modelos de la literatura del 40% al 90%.