Presentar un algoritmo de entrenamiento satisfactorio y eficiente para redes neuronales artificiales (ANN) ha sido una tarea desafiante en el área de aprendizaje supervisado. La optimización por enjambre de partículas (PSO) es uno de los algoritmos más utilizados debido a su simplicidad de implementación y rápida velocidad de convergencia. Por otro lado, el algoritmo de búsqueda de cuco (CS) ha demostrado tener una buena capacidad para encontrar el óptimo global; sin embargo, tiene una tasa de convergencia lenta. En este estudio, se propone un algoritmo híbrido basado en PSO y CS para aprovechar las ventajas de ambos algoritmos. El algoritmo híbrido propuesto se emplea como un nuevo método de entrenamiento para redes neuronales feedforward (FNNs). Para investigar el rendimiento del algoritmo propuesto, se utilizan dos problemas de referencia y se comparan los resultados con los obtenidos de FNNs entrenadas por los algoritmos originales de PSO y CS. Los resultados experimentales muestran que el algoritmo híbrido propuesto supera tanto a PSO como a CS en el entrenamiento de FNNs.