La producción de alimentos y el consumo de energía son dos factores importantes al evaluar los sistemas de invernadero. El primero debe responder, tanto cuantitativa como cualitativamente, a las necesidades de la población, mientras que el segundo debe mantenerse lo más bajo posible. Como resultado, para controlar adecuadamente estos dos aspectos esenciales, se debe mantener el ambiente de invernadero apropiado utilizando un sistema de soporte de decisiones computacional (DSS), que será especialmente adaptable a los cambios en las características del entorno externo. Se diseñó una red neuronal de perceptrón multicapa (MLP-NN) para modelar la temperatura interna y la humedad relativa de un invernadero agrícola. El NN específico utiliza retropropagación de Levenberg-Marquardt como algoritmo de entrenamiento; las variables de entrada son la temperatura externa y la humedad relativa, la velocidad del viento y la irradiación solar, así como la temperatura interna y la humedad relativa, hasta tres pasos temporales antes del paso modelado. Los errores máximos de la temperatura modelada y la humedad relativa son de 0.877 K y 2.838%, respectivamente, mientras que los coeficientes de determinación son de 0.999 para ambos parámetros. Un modelo con un error máximo bajo en las predicciones permitirá que un DSS proporcione los comandos adecuados a los actuadores del invernadero para mantener las condiciones internas en los niveles deseados para el cultivo con el mínimo consumo de energía posible.