La intención de este trabajo fue investigar la viabilidad de desarrollar modelos de aprendizaje automático para calcular los valores de las variables de diseño de configuración de aviones cuando se proporciona datos de rendimiento informados por la misión en series temporales. Se desarrollaron, entrenaron y probaron redes neuronales artificiales superficiales utilizando datos relacionados con la clase de vehículos aeroespaciales de cuerpo de ala mezclada (BWB). Los parámetros de diseño de configuración se variaron utilizando un esquema de muestreo de hipercubo latino. Estos datos fueron utilizados por un generador de configuración BWB basado en parámetros para crear BWBs únicos. El rendimiento de cada configuración se obtuvo a través de una herramienta de estimación de rendimiento. El entrenamiento y la prueba de las redes neuronales se llevaron a cabo utilizando un esquema de validación cruzada K-fold. Se utilizó un enfoque de bosque aleatorio para determinar los valores de las variables de diseño de configuración predichas al evaluar la precisión de la red neuronal en una encuesta de vehículos de cuerpo de ala mezclada. Los resultados demostraron la viabilidad de aprovechar las redes neuronales en el diseño inverso dependiente de la misión de los cuerpos de ala mezclada. En particular, las arquitecturas de redes neuronales superficiales de avance directo lograron una precisión predictiva significativamente mejor que las arquitecturas de avance en cascada. Además, para ambas arquitecturas, aumentar el número de neuronas en la capa oculta incrementó la precisión de predicción de las variables de diseño de configuración en al menos un 80%.