En este artículo, las señales del sensor de fuerza se clasifican utilizando una red neuronal de reconocimiento de patrones (PRNN). Las señales se clasifican para mostrar si hay una colisión o no. En nuestro trabajo anterior, se utilizaron las posiciones de las articulaciones de un robot de 2-DOF para estimar la señal del sensor de fuerza externa, que estaba adjunta al efector final del robot, y los torques articulares externos de este robot basados en una red neuronal de alimentación hacia adelante de múltiples capas (MLFFNN). En el trabajo actual, la señal estimada del sensor de fuerza y los torques de las articulaciones externas del trabajo anterior se utilizan como entradas para la PRNN diseñada propuesta, y su salida es si se encuentra una colisión o no. La PRNN diseñada se entrena utilizando un algoritmo de retropropagación de gradiente conjugado escalado y se prueba y valida utilizando diferentes datos de los de entrenamiento. Los resultados demuestran que la PRNN es efectiva en la clasificación de las señales de fuerza. Su efectividad para clasificar los casos de colisión es del 92.8%, y para los casos de no colisiones es del 99.4%. Por lo tanto, la eficiencia general es del 99.2%. La misma metodología y trabajo se repiten utilizando una PRNN entrenada con otro algoritmo, que es el Levenberg-Marquardt (PRNN-LM). Los resultados utilizando esta estructura demuestran que la PRNN-LM también es efectiva en la clasificación de las señales de fuerza, y su efectividad general es del 99.3%, que es ligeramente superior a la primera PRNN. Finalmente, se incluye una comparación de la efectividad de la PRNN propuesta y la PRNN-LM con otros clasificadores diferentes anteriores. Esta comparación muestra la efectividad de la PRNN propuesta y la PRNN-LM.