Este trabajo presenta un esquema de control de retroalimentación neuronal para sistemas no lineales cuantizados en tiempo discreto con retraso. Tradicionalmente, un controlador de retroalimentación se diseña bajo suposiciones ideales que son poco realistas para problemas de la vida real. Entre estas suposiciones, se considera un canal de comunicación perfecto para las entradas y salidas del controlador; dicho canal perfecto no tiene en cuenta los retrasos o el ruido introducido por los sensores y actuadores, incluso si estos fenómenos no deseados son fuentes conocidas de mal rendimiento en los sistemas. Además, los controladores tradicionales también se diseñan basados en un modelo de planta ideal sin considerar incertidumbres, perturbaciones, sensores, actuadores y otras dinámicas no modeladas, que para aplicaciones en la vida real son efectos que están constantemente presentes y deben ser considerados. Además, el diseño del sistema de control implementado con procesadores digitales implica procesos de muestreo y retención que pueden afectar el rendimiento; considerar y compensar los efectos de cuantización de las señales medidas es un problema que ha atraído la atención de los investigadores en sistemas de control. En este trabajo, se propone un controlador neuronal para superar los problemas mencionados anteriormente. Este controlador se diseña basado en un modelo neuronal utilizando un enfoque óptimo inverso. El modelo neuronal se obtiene a partir de las mediciones disponibles de las variables de estado y las salidas del sistema; por lo tanto, las incertidumbres, perturbaciones y dinámicas no modeladas pueden considerarse implícitamente a partir de las mediciones disponibles. Este trabajo muestra el rendimiento y la efectividad del controlador propuesto presentando resultados en tiempo real obtenidos en un prototipo de motor de inducción lineal. Además, este trabajo incluye una prueba de estabilidad para todo el esquema utilizando el enfoque de Lyapunov.