Actualmente, las tecnologías de aprendizaje automático (ML) se utilizan ampliamente en el campo automotriz para determinar cantidades físicas gracias a su capacidad para garantizar menores costos computacionales y operaciones más rápidas que los métodos tradicionales. En este contexto, el presente trabajo muestra los resultados de actividades de pronóstico sobre la predicción de emisiones contaminantes de motores utilizando una técnica de red neuronal artificial. Se realizaron pruebas en un motor de acceso óptico bajo condiciones de mezcla pobre, que es la dirección en la que la investigación automotriz se está desarrollando para cumplir con las regulaciones cada vez más estrictas sobre las emisiones contaminantes. Se utilizó una arquitectura NARX para estimar las emisiones de óxido de nitrógeno del motor a partir de datos de presión en el cilindro e imágenes de la evolución del frente de llama registradas por una cámara de alta velocidad y elaboradas a través de una técnica Mask R-CNN. Basado en los resultados obtenidos, se evaluó la aplicabilidad de la metodología a situaciones reales, como motores de metal, utilizando un análisis de sensibilidad presentado en la segunda parte del trabajo, que ayudó a identificar y cuantificar los parámetros de entrada más importantes para el pronóstico de óxido de nitrógeno.