Este trabajo propone un modelado no lineal de un motor síncrono de imán permanente (PMSM) basado en redes neuronales de espacio de estados. La red neuronal de espacio de estados se entrena y las variables de estado (corrientes en un marco directo-cuadratura y la velocidad de rotación) se estiman considerando un Filtro de Kalman Insaturado Robusto (UKF). Dos contribuciones se presentan en este trabajo: la primera es una estructura de modelado no lineal para un PMSM basada en una red neuronal de espacio de estados que permite la identificación de parámetros en tiempo real, y la segunda es el entrenamiento de la red neuronal PMSM y la estimación de estado basada en un UKF robusto. La robustez del UKF se obtiene mediante el uso de una descomposición en valores singulares de la matriz de covarianza. Se realiza un análisis de comparación sobre un motor PMSM real considerando el enfoque propuesto y una aproximación lineal del modelo no lineal donde los estados y parámetros se calculan utilizando un Filtro de Kalman Extendido. El modelo identificado se valida en lazo cerrado considerando una estrategia de control no lineal basada en la linealización de retroalimentación de estado.