Los modelos cinemáticos precisos son esenciales para el control efectivo de los robots quirúrgicos. Para los robots impulsados por tendones, que son comunes en la cirugía mínimamente invasiva, las altas no linealidades en la transmisión hacen que la modelización sea compleja. Las técnicas de aprendizaje automático son un enfoque preferido para abordar este problema. Sin embargo, los entornos quirúrgicos rara vez están estructurados, debido a que los órganos son muy blandos y deformables, y son impredecibles, por ejemplo, debido a los fluidos en el sistema, el desgaste y la rotura de los tendones que conducen a cambios en el comportamiento del sistema. Por lo tanto, el modelo necesita adaptarse rápidamente. En este trabajo, proponemos un método para aprender el modelo cinemático de un robot quirúrgico redundante y controlarlo para realizar tareas quirúrgicas tanto de manera autónoma como en teleoperación. El enfoque emplea Redes Neuronales Artificiales (ANN) de avance para construir el modelo cinemático del robot fuera de línea, y una estrategia adaptativa en línea para permitir que el sistema se ajuste al entorno cambiante. Para probar las capacidades del método, se lleva a cabo una comparación con un controlador de retroalimentación simple para el seguimiento autónomo. Los resultados de la simulación muestran que el método propuesto es capaz de lograr errores de seguimiento muy pequeños, incluso cuando ocurren cambios no previstos en el sistema, como juntas rotas. El método también demostró ser efectivo para garantizar un seguimiento preciso en teleoperación.