Las tecnologías de comunicación inalámbrica han impactado profundamente la interconectividad de los usuarios y terminales móviles. Sin embargo, el aumento exponencial en el número de usuarios plantea desafíos significativos, especialmente en la gestión de interferencias, que es una preocupación importante en la comunicación inalámbrica. Los enfoques de aprendizaje automático (ML) han surgido como herramientas poderosas para resolver varios problemas en este dominio. Sin embargo, los estudios existentes no han abordado completamente el problema de la gestión de interferencias para la comunicación inalámbrica utilizando técnicas de ML. En este documento, exploramos la aplicación de enfoques de redes neuronales recurrentes (RNN) para abordar la interferencia de co-canal en la comunicación inalámbrica. Específicamente, investigamos la efectividad de las arquitecturas de redes de memoria a corto y largo plazo (LSTM), LSTM bidireccional (Bi-LSTM) y unidad recurrente con compuertas (GRU) en dos configuraciones de red diferentes. La primera red consta de 10 dispositivos conectados, mientras que la segunda red involucra 20 dispositivos. Nuestros resultados experimentales demuestran que Bi-LSTM supera a LSTM y GRU en cuanto al error cuadrático medio, error cuadrático medio normalizado y tasa de suma. Mientras que LSTM y GRU producen resultados similares, LSTM exhibe una ventaja marginal sobre GRU. Además, también se estudia un enfoque RNN combinado, que puede proporcionar mejores resultados en redes densas.