El envejecimiento, la degradación o el daño a los materiales de aislamiento interno a menudo contribuyen a las fallas de los transformadores. Además, los gases combustibles pueden ser producidos cuando estos materiales de aislamiento experimentan tensiones térmicas o eléctricas. Este documento presenta una red neuronal artificial para el reconocimiento de patrones (PRN) para clasificar las condiciones de operación de los transformadores de potencia (normales, fallas térmicas y fallas eléctricas) dependiendo de los gases combustibles presentes en ellos. Se presentaron dos configuraciones de red, una con cinco y la otra con diez neuronas en la capa oculta. La principal ventaja de aplicar este modelo a través de redes neuronales artificiales es su capacidad para capturar las características no lineales de las muestras en estudio, evitando así la necesidad de procedimientos iterativos. La efectividad y aplicabilidad de la metodología propuesta se evaluaron en 815 muestras de datos reales. Según los resultados, el PRN tuvo un buen desempeño tanto en el entrenamiento como en la validación (para muestras que no formaban parte del entrenamiento), con un error cuadrático medio (MSE) cercano al esperado (0.001). La red pudo clasificar las muestras con una tasa de precisión del 98% de las 815 muestras presentadas y con un 100% de precisión en la validación, lo que muestra que la metodología desarrollada es capaz de actuar como una herramienta para diagnosticar la operabilidad de los transformadores de potencia.