El diseño y la optimización de las redes de comunicación inalámbrica en interiores de próxima generación requieren descripciones detalladas y precisas de los entornos interiores. La conciencia ambiental puede servir como base fundamental para la adaptación dinámica del sistema inalámbrico a las condiciones del canal y puede mejorar el rendimiento del sistema. Los métodos que combinan la tecnología inalámbrica con el aprendizaje automático son prometedores para identificar las propiedades del entorno radioeléctrico (RE) interior sin necesidad de equipos especializados o intervención manual. En el documento, proponemos un enfoque para identificar los materiales de las superficies utilizando la respuesta de impulso del canal (CIR) y modelos de identificación de RE construidos con aprendizaje automático. Para entrenar los modelos y evaluar su rendimiento, adquirimos datos de propagación de radio en habitaciones con diferentes tamaños y materiales utilizando trazado de rayos. Exploramos métodos basados en árboles, métodos basados en conjuntos, métodos basados en kernel y redes neuronales para entrenar los modelos. El rendimiento de los modelos se evalúa en tres escenarios realistas definidos por la ubicación de los nodos de radio y los tamaños de las habitaciones. Los modelos de perceptrón multicapa tuvieron el mejor rendimiento en la mayoría de los ajustes de evaluación. Los resultados muestran que los modelos son capaces de predecir con precisión los materiales en habitaciones con tamaños que no se incluyeron en el procedimiento de entrenamiento. Incluir las CIR de un gran número de habitaciones con diferentes tamaños y materiales de superficie estimados con diferentes posiciones de nodos de radio en el proceso de entrenamiento da como resultado modelos con una aplicabilidad práctica más amplia.